| 深度学习方法 | 常用模型 | 特点 | 适用场景 |
| 循环神经网络 | (双向)长短期记忆网络 | 能够提取时间序列数据的特征 | 多用于时序数据的预测 |
| (双向)门控循环网络 | |||
| 卷积神经网络 | Vggnet | 能够处理多维数据，并且模型的预测精度较好，应用场景多 | 多用于二维图像并且数据量较大的数据 |
| GoogLenet | |||
| Resnet | |||
| Densenet | |||
| 深度置信网络 |
| 不需要大量的含标签数据样本，模型的收敛速度较快，不容易陷入局部最优 | 多用于小样本预测 |
| 自编码器 | 堆栈稀疏自编码器 | 泛化能力强，无监督不需要有标签的数据样本 | 没有标签的数据 |
| 深度迁移学习 |
| 从源域学习样本，不需要目标域过多的样本数据 | 对于模型、数据分布相似的数据，能够快速得到结果，也可用于小样本预测 |