CNN：
总结：利用权值共享【卷积操作】将神经网络本来的全连接层替换为非全连接层，使输入可以为尺度可变的张量。
可用结构：
（Max, mean）Pooling:降维;
全连接层：分类；
GAN：
总结：利用两个网络对抗生成模型，生成器与辨别器，生成器输入图像，生成所需图像，辨别器辨别所需图像与生成图像，使生成器的生成图像骗过辨别器。
可用结构：
CNN；(Recursive)Residual Network(残差(递归)网络);FCN(全卷积网络)；convolutional LSTM；
Autoencoder:
与GAN一样，并不是单纯的网络结构，只是类似PCA一样的东西，在无监督学习中的框架，利用conv与deconv降维升维来进行学习，分别叫做encoder与decoder编码解码，一般基于卷积网络，encoder后相当于学习到了特征，而decoder后相当于还原了图像，既可以用输入图像进行训练，训练好一层加深一层。再可以利用有监督微调，从而达到分类或者图像转换的目的。
可用结构：
CNN；Residual Network；
残差网络Resnet：
利用上一级的输入与结果相加来使深层网络效果更好（一个残差块一般不小于两层）。
U-NET
也是encoder-decoder,利用前一encoder的信息与decoder信息结合，两者一一对应，共享信息。
