CNN主要用於計算機視覺(Computer Vision)領域，CNN的出現主要解決了DNN在影象領域中引數過多的問題。同時，CNN特有的卷積、池化、batch normalization、Inception、ResNet、DeepNet等一系列的發展也使得在分類、物體檢測、人臉識別、影象分割等眾多領域有了長足的進步。同時，CNN不僅在影象上應用很多，在自然語言處理上也頗有進展，現在已經有基於CNN的語言模型能夠達到比LSTM更好的效果。在最新的AlphaZero中，CNN中的ResNet也是兩種基本演算法之一。

GAN是一種應用在生成模型的訓練方法，現在有很多在CV方面的應用，例如影象翻譯，影象超清化、影象修復等等。

RNN主要用於自然語言處理(Natural Language Processing)領域，用於處理序列到序列的問題。普通RNN會遇到梯度爆炸和梯度消失的問題。所以現在在NLP領域，一般會使用LSTM模型。在最近的機器翻譯領域，Attention作為一種新的手段，也被引入進來。

除了DNN、RNN和CNN外， 自動編碼器(AutoEncoder)、稀疏編碼(Sparse Coding)、深度信念網路(DBM)、限制玻爾茲曼機(RBM)也都有相應的研究。

關注優就業，學習更多深度學習知識。

不要吧，深度學習工具和深度學習搞混了。深度學習工具例如tensflow等基本上採用了特徵提取和符號分析串聯方式，因此採用卷積計算方法，為了不同的卷積計算方法使用方便搞出來模型一說。深度學習就是多層神經網路，沒什麼模型的說法，只有不同的演算法。