神经网络的结构呈指数型增长的趋势，下图展示了多部分神经网络经典的拓扑结构。
P --> FF : 增加了一层隐藏层，所有节点为全连接
FF --> RBF : 使用径向基函数（Radical Basis Function，RBF）作为激活函数，而不是逻辑函数。这使得神经网络可以处理连续的值。
FF --> DFF : 使用了多层隐藏层，开启了深度学习的纪元。
DFF --> RNN : 在神经网络中传递状态等信息，适用于上下文非常重要的情况。例如当过去的迭代或样本的决策会影响当前的决策时，常见的如文本信息。
RNN --> LSTM : LSTM引入记忆单元，可以控制信息的记录和遗忘，可以处理长依赖信息。不仅可以处理文本，还可以处理视频，语音等。
LSTM --> GRU : GRU是一种门结构不同的LSTM。与LSTM相比，它们消耗的资源更少，并且效果几乎相同。
FF --> AE : 自动编码器用于分类，聚类和特征压缩，是一种无监督学习。
AE --> VAE : 与AE相比，VAE压缩的是概率而不是特征。VAE关注的是两个事件中的连接性等问题。
AE --> DAE : AE往往只是适应输入数据（这实际上是过度拟合的一个例子）。DAE在输入单元上增加了一点噪声—通过随机位，随机切换输入中的位等方式改变数据。
AE --> SAE : 结构与AE中相同，但隐藏的单元数大于输入/输出层单元数。在某些情况下可以显示数据中某些隐藏的分组模式。
FF --> MC : 马尔可夫链是非常古老的图概念，其中每个边都有一个概率。 在过去，它们被用来构造文本，如预测下一句话。MC可以用于基于概率的分类（例如贝叶斯过滤器），聚类（某种形式）以及有限状态机。
DFF --> DCN : 引入了卷积核、池化层等操作。在图像处理领域较为常用。
DFF --> GAN : GAN代表了一个庞大的双重网络家族，它由生成器和鉴别器组成。
不同的网络拓扑结构其中的差异：
