人工智能深度学习100种网络模型，精心整理，全网最全，PyTorch框架逐一搭建

大家好，我是微学ai，今天给大家介绍一下人工智能深度学习100种网络模型，这些模型可以用pytorch深度学习框架搭建。模型按照个人学习顺序进行排序：

深度学习模型

1. ann (artificial neural network) - 人工神经网络：基本的神经网络结构，包括输入层、隐藏层和输出层。
   
2. cnn (convolutional neural network) - 卷积神经网络：主要用于图像识别和处理的基础神经网络结构。
   
3. rnn (recurrent neural network) - 循环神经网络：用于处理序列数据的神经网络结构。
   
4. lstm (long short-term memory) - 长短时记忆网络：一种特殊的rnn，用于解决长序列中的梯度消失问题。
   
5. gru (gated recurrent unit) - 门控循环单元：一种简化版的lstm，用于处理序列数据。
   
6. bilstm (bidirectional lstm) - 双向长短时记忆网络：同时考虑序列的正向和反向信息的lstm。
   
7. bigru (bidirectional gru) - 双向门控循环单元：同时考虑序列的正向和反向信息的gru。
   
8. transformer - transformer模型：一种基于自注意力机制的神经网络结构，用于处理序列数据。
   
9. bert (bidirectional encoder representations from transformers) - 双向transformers编码器模型：一种基于transformer的预训练模型，用于自然语言处理任务。
   
10. elmo (embeddings from language models) - 语言模型嵌入：一种基于双向lstm的预训练模型，用于自然语言处理任务。
    
11. roberta (robustly optimized bert pretraining approach) - 稳健优化的bert预训练方法：一种改进的bert预训练模型。
12. t5 (text-to-text transfer transformer) - 文本到文本传输变压器：一种基于transformer的预训练模型，用于自然语言处理任务。
    
13. gpt (generative pre-trained transformer) - 生成预训练transformer：一种基于transformer的生成式预训练模型，用于自然语言处理任务。
14. gpt-2 (generative pre-trained transformer 2) - 生成预训练transformer2：一种基于transformer的生成式预训练模型，用于自然语言处理任务。
15. gpt-3 (generative pre-trained transformer 3) - 生成预训练transformer3：一种基于transformer的生成式预训练模型，用于自然语言处理任务。
16. lenet (lenet-5) - lenet-5：一种早期的卷积神经网络，用于手写数字识别。
17. alexnet - alexnet：一种深度卷积神经网络，用于图像识别，赢得了2012年的imagenet竞赛。
18. resnet (residual network) - 残差网络：一种具有残差连接的深度卷积神经网络，用于图像识别。
    
19. vgg (visual geometry group) - 视觉几何组：一种深度卷积神经网络，用于图像识别。
20. inception - inception网络：一种具有多尺度卷积的深度卷积神经网络，用于图像识别。
21. mobilenet - 移动网络：一种轻量级的卷积神经网络，用于移动设备上的图像识别。
22. densenet (densely connected convolutional network) - 密集连接卷积网络：一种具有密集连接的深度卷积神经网络，用于图像识别。
    
23. u-net - u型网络：一种用于图像分割的卷积神经网络。
    
24. gan (generative adversarial network) - 生成对抗网络：一种生成式模型，由生成器和判别器组成，用于生成新的数据样本。
    
25. dcgan (deep convolutional generative adversarial network) - 深度卷积生成对抗网络：一种基于卷积神经网络的gan。
    
26. wgan (wasserstein generative adversarial network) - 瓦asserstein生成对抗网络：一种改进的gan，使用wasserstein距离作为损失函数。
27. pix2pix - pix2pix网络：一种用于图像到图像转换的条件生成对抗网络。
28. cyclegan - cyclegan网络：一种用于无监督图像到图像转换的生成对抗网络。
29. stylegan (style-based generative adversarial network) - 基于样式的生成对抗网络：一种用于生成高质量图像的gan。
30. capsnet (capsule network) - 胶囊网络：一种用于图像识别的神经网络结构，包含胶囊层。
31. snn (spiking neural network) - 脉冲神经网络：一种模拟生物神经元动力学的神经网络结构。
    
32. rbm (restricted boltzmann machine) - 受限玻尔兹曼机：一种生成式模型，用于特征学习和降维。
    
33. dbn (deep belief network) - 深度信念网络：一种基于rbm的深度生成式模型。
34. autoencoder - 自编码器：一种用于特征学习和降维的神经网络结构。
35. vae (variational autoencoder) - 变分自编码器：一种生成式自编码器，用于生成新的数据样本。
    
36. seq2seq (sequence-to-sequence) - 序列到序列模型：一种用于序列到序列转换的神经网络结构，包括编码器和解码器。
37. attention - 注意力机制：一种用于加权序列中不同部分的神经网络结构。
38. nmt (neural machine translation) - 神经机器翻译：一种基于seq2seq和注意力机制的神经网络结构，用于机器翻译。
39. albert (a lite bert) - 轻量级bert：一种轻量级的bert预训练模型。
    
40. xlm (cross-lingual language model) - 跨语言语言模型：一种用于多语言自然语言处理任务的预训练模型。
41. xlm-r (xlm-roberta) - xlm-roberta：一种基于roberta的跨语言预训练模型。
42. deberta (decoding-enhanced bert with disentangled attention) - 解码增强的bert与解耦注意力：一种改进的bert预训练模型，具有解耦注意力机制。
43. electra (efficiently learning an encoder that classifies token replacements accurately) - 高效学习精确分类令牌替换的编码器：一种基于生成对抗网络的预训练模型。
44. fasttext - fasttext：一种用于文本分类和词嵌入的神经网络模型。
45. word2vec - word2vec：一种用于词嵌入的神经网络模型。
46. glove (global vectors for word representation) - 全局词向量表示：一种用于词嵌入的神经网络模型。
47. siamese network - 孪生网络：一种用于度量学习和相似性比较的神经网络结构。
    
48. triplet network - 三元组网络：一种用于度量学习和相似性比较的神经网络结构，包括三个相互关联的子网络。
49. yolo (you only look once) - 一次性查看：一种实时目标检测的神经网络模型。
    学习点击地址
50. ssd (single shot multibox detector) - 单次多框检测器：一种实时目标检测的神经网络模型。
    学习点击地址
51. retinanet - retinanet：一种用于目标检测的神经网络模型，具有特征金字塔网络和锚框。
52. mask r-cnn - mask r-cnn：一种用于实例分割的神经网络模型，基于faster r-cnn。
53. nasnet (neural architecture search network) - 神经架构搜索网络：一种通过神经架构搜索自动设计的神经网络模型。
54. efficientnet - efficientnet：一种自动调整网络深度、宽度和分辨率的神经网络模型。
55. squeezenet - squeezenet：一种轻量级的卷积神经网络，用于图像识别。
56. shufflenet - shufflenet：一种轻量级的卷积神经网络，用于图像识别，具有通道混洗操作。
57. mnasnet - mnasnet：一种通过神经架构搜索自动设计的轻量级卷积神经网络，用于图像识别。
58. pnasnet (progressive neural architecture search) - 渐进式神经架构搜索：一种通过渐进式神经架构搜索自动设计的神经网络模型。
59. rcnn (region-based convolutional neural network) - 基于区域的卷积神经网络：一种用于目标检测的神经网络模型。
60. fast r-cnn - fast r-cnn：一种改进的r-cnn，用于目标检测，具有较快的训练和推理速度。
61. faster r-cnn - faster r-cnn：一种改进的fast r-cnn，用于目标检测，具有区域提议网络。
62. r-fcn (region-based fully convolutional network) - 基于区域的全卷积网络：一种用于目标检测的神经网络模型，基于全卷积网络。
63. fpn (feature pyramid network) - 特征金字塔网络：一种用于目标检测的神经网络模型，具有多尺度特征金字塔。
64. hrnet (high-resolution network) - 高分辨率网络：一种用于图像识别和语义分割的神经网络模型，保持高分辨率特征图。
65. deeplab - deeplab：一种用于语义分割的神经网络模型，具有空洞卷积和条件随机场。
66. pspnet (pyramid scene parsing network) - 金字塔场景解析网络：一种用于语义分割的神经网络模型，具有金字塔池化模块。
67. nin (network in network) - 网络中的网络：一种卷积神经网络，用于图像识别，具有多层感知机卷积层。
68. srgan (super-resolution generative adversarial network) - 超分辨率生成对抗网络：一种用于图像超分辨率的生成对抗网络。
69. ladder network - 梯形网络：一种半监督学习的神经网络模型，具有多层编码器和解码器。
70. ctc (connectionist temporal classification) - 连接主义时序分类：一种用于序列到序列转换的神经网络损失函数，用于语音识别等任务。
71. cpm (convolutional pose machines) - 卷积姿态机：一种用于人体姿态估计的卷积神经网络模型。
72. openpose - openpose：一种用于实时多人关键点检测的神经网络模型。
73. wavenet - wavenet：一种用于生成原始波形音频的深度神经网络模型。
74. tacotron - tacotron：一种用于文本到语音合成的神经网络模型，基于seq2seq和注意力机制。
75. transformer-xl (transformer with extra-long context) - 变压器扩展长上下文：一种改进的transformer，用于处理长序列数据。
76. biggan (big generative adversarial network) - 大型生成对抗网络：一种用于生成高质量图像的大型生成对抗网络。
77. progan (progressive growing of gans) - gan的渐进式增长：一种通过逐渐增加生成器和判别器的分辨率来训练gan的方法。
78. spade (spatially-adaptive normalization) - 空间自适应归一化：一种用于图像到图像转换的生成对抗网络，具有空间自适应归一化层。
79. stargan - stargan：一种用于多域图像到图像转换的生成对抗网络。
80. swin transformer - swin transformer：一种基于滑动窗口的transformer，用于计算机视觉任务。
81. vit (vision transformer) - 视觉变压器：一种将图像分割成小块并将其视为序列的transformer，用于图像识别。
82. deit (data-efficient image transformer) - 数据高效图像变压器：一种基于vision transformer的数据高效图像识别模型。
83. stable diffusion - 稳定扩散网络模型，用于图像处理，文本生成图像的应用。
84. reformer - 改革者：一种改进的transformer，用于处理长序列数据，具有局部敏感哈希和可逆残差层。
85. performer - 表演者：一种改进的transformer，用于处理长序列数据，具有快速注意力机制。
86. linformer - 线性变压器：一种改进的transformer，用于处理长序列数据，具有线性复杂度的自注意力机制。
87. longformer - 长变压器：一种改进的transformer，用于处理长序列数据，具有稀疏自注意力机制。
88. conformer - 一致者：一种用于自动语音识别的神经网络模型，结合了transformer和卷积神经网络。
89. nerf (neural radiance fields) - 神经辐射场：一种用于三维场景重建的神经网络模型。
90. dall-e - dall-e：一种基于transformer的生成式模型，用于从文本描述生成图像。
91. clip (contrastive language-image pretraining) - 对比性语言-图像预训练：一种同时学习图像和文本表示的预训练模型。
92. detr (detection transformer) - 检测变压器：一种基于transformer的端到端目标检测神经网络模型。
93. t2t-vit (tokens-to-token vision transformer) - 令牌到令牌视觉变压器：一种基于令牌到令牌的视觉变压器，用于图像识别。
94. omninet - omninet：一种用于多任务学习的神经网络模型，具有共享特征提取器和任务特定的分支。
95. pointnet - pointnet：一种用于处理点云数据的神经网络模型。
96. gcn (graph convolutional network)- 图卷积神经网络：适用于处理图数据，尤其是基于图结构的数据分析和机器学习任务。
97. se-net (squeeze-and-excitation network) -基于通道注意力机制的卷积神经网络：通过学习每个通道间的关系来提高模型泛化能力。
98. tsm (temporal shift module) -时间序列模块：用于处理视频中的时间序列信息，可以在不增加计算量的情况下提高视频分类的准确率。
99. stt (speech-to-text) -语音到文本模型：将语音信号转换成对应的文字。
100. tts (text-to-speech) -文本到语音模型：将文字信息转换成对应的语音信号。

以上模型涵盖了计算机视觉、自然语言处理、语音识别、生成模型等多个领域，可以根据实际需求选择合适的模型进行搭建和训练。