對於目前的深度學習模型來說，儘管深度學習的一個目標是設計能夠處理各種任務的演算法，然而截至目前深度學習的應用仍然需要一定程度的特化，還沒有通用的神經網路處理模型。不過各個模型也在互相借鑑，彼此融合，共同提高，象有些創新能同時改進卷積神經網路和迴圈神經網路，比如批標準化與注意力等。通用的模型還有待未來研究提出。

影象和視訊處理，計算機視覺，目前最流行的是cnn，即卷積神經網路，及其變形和發展，cnn適合處理空間資料，在計算機視覺領域應用廣泛。象陸續出現的ＡｌｅｘＮｅｔ，ＶＧＧＮｅｔ，ＧｏｏｇＬｅＮｅｔ，ＲｅｓＮｅｔ等都很有特色。以上幾種模型是影象分類識別使用的。象影象分割，目標檢測等還有更多針對性模型提出和得到廣泛應用。

語音處理，2012 年前，最先進的語音識別系統是隱馬爾可夫模型(HMM) 和高斯混合模型(GMM) 的結合。目前最流行的是深度學習的RNN迴圈神經網路，及其發展長短時記憶網路LSTM，以及GRU,雙向RNN,分層RNN等。

自然語言處理，除了傳統方法，目前深度學習用於自然語言處理的模型經歷了基於CNN的模型，基於RNN的模型，基於Attention機制的模型，基於Transformer的模型等幾個發展階段。NLP有很多模型和方法，不同的任務場景有不同的模型和策略來解決某些問題。

這種通用好像沒太大實際價值，一個網路處理的資料的範圍越大，它的訓練過程越是複雜，又要影象又要聲音，即使聲音可以做成頻譜圖，和一般影象也有太大差別，硬做當然也行，可以用一個條件網路來做，先用圖片聲音識別生成條件