1. Рекуррентные сети (RNN)
Работают с последовательностями вроде текста или временных рядов. Их фишка — внутренняя память: информация передаётся между шагами через циклы. Например, при обработке предложения сеть помнит предыдущие слова.
Модификации:
- LSTM — умеет захватывать длинные зависимости (как в прогнозировании погоды по многолетним данным)
- GRU — упрощённая версия с воротами для управления информационным потоком

2. Трансформеры
Здесь вместо циклов работает механизм внимания — сеть сама определяет, какие части входных данных важнее. Это как выделять маркером ключевые слова в тексте перед анализом.
Примеры:
- BERT — понимает контекст слов с двух сторон (полезно для поиска ответов в тексте)
- GPT — генерирует связные истории или код, предсказывая следующее слово в цепочке

3. Свёрточные сети (CNN)
Идеальны для изображений. Используют фильтры-детекторы: один ищет края, другой — текстуры, третий — сложные паттерны. Слои постепенно упрощают данные, сохраняя суть.
Архитектуры:
- VGG — глубокая сеть с повторяющимися блоками
- ResNet — решает проблему «исчезающего градиента» с помощью skip-соединений

Другие типы:
- Автокодировщики — сжимают и восстанавливают данные (для шумоподавления изображений)
- GAN — генеративно-состязательные сети для создания реалистичных фото
- Графовые сети — работают со связями между объектами (соцсети, молекулы)

Каждая архитектура — как инструмент в мастерской: молотком забивать гвозди удобней, чем резать бумагу. Выбор зависит от задачи.