Виды нейросетей: 8 архитектур и что каждая умеет
В обычном разговоре слово «нейросеть» обозначает чат в браузере, хотя за ним стоит десяток непохожих архитектур с разными задачами. Разложили восемь видов по полкам: что каждый делает, в чём его слабое место и в каком продукте вы с ним уже сталкивались.
Классификации в интернете обычно начинаются с полносвязных сетей и заканчиваются формулами, после которых непонятно, зачем это было читать. Восемь видов, которые реально встречаются на практике, это перцептрон, свёрточные сети, рекуррентные сети, трансформеры, состязательные сети, диффузионные модели, автокодировщики и графовые сети, и различаются они не сложностью, а формой данных, под которую придуманы.
Даты и формулировки сверены по первоисточникам на arXiv, открытым 16 сентября 2026 года: работы про остаточное обучение, трансформер, состязательные сети, диффузионные модели и векторные представления слов. Дальше по порядку: восемь видов по одному разделу на каждый, таблица выбора под задачу, чем виды нейросетей отличаются от видов искусственного интеллекта и что из этого стоит знать, если вы не собираетесь ничего программировать.
Главное в одну строку
Главный принцип выбора звучит скучно и работает всегда: архитектуру подбирают под форму данных, а не под моду. Картинка это решётка, текст это последовательность, связи это граф.
Часть 1 · Ответ
Какие бывают нейросети
- Полносвязная сеть. Простейший случай: таблица на входе, число или класс на выходе.
- Свёрточная сеть. Под изображения и всё, что лежит решёткой.
- Рекуррентная сеть. Под последовательности: речь, временные ряды, текст до эпохи трансформеров.
- Трансформер. Под длинные последовательности с дальними связями. Основа современных языковых моделей.
- Состязательные сети. Порождение объектов через соревнование двух моделей.
- Диффузионные модели. Порождение изображений через постепенное снятие шума.
- Автокодировщик. Сжатие в компактное представление и восстановление обратно.
- Графовая сеть. Под данные, где важны связи: соцсети, молекулы, маршруты.
Часть 2 · Основа
Полносвязная сеть и откуда всё пошло
- Как устроена. Слои нейронов, где каждый нейрон связан с каждым нейроном следующего слоя.
- Что умеет. Предсказать число или класс по таблице признаков.
- Где до сих пор применяется. Как последний слой почти в любой другой архитектуре.
- Почему сама по себе слаба на картинках. Она не знает, что соседние пиксели связаны, и учит каждый как отдельный признак.
- Историческая роль. С неё начинается любой учебник, потому что на ней проще всего показать обратное распространение ошибки.
Часть 3 · Решётка
Свёрточные сети: зачем нужно скользящее окно
Свёртка это маленькое окно, которое скользит по изображению и ищет один и тот же признак в любом месте кадра. Благодаря этому сеть понимает, что кот в левом углу и кот в правом это один и тот же кот.
Из первоисточника, arXiv 1512.03385, подана 10 декабря 2015 года
Работа «Deep Residual Learning for Image Recognition» прямо начинается с констатации: более глубокие нейросети труднее обучать. Решением стала переформулировка слоёв как обучения остаточных функций относительно входов слоя, и авторы приводят эмпирические доказательства, что такие сети оптимизируются легче и выигрывают от увеличения глубины.
- Где применяется. Классификация, детекция, сегментация, обработка снимков в камере телефона.
- Слабое место. Нужны данные из тех же условий, в которых модель будет работать.
- Подробный разбор задач. Собран в гайде про компьютерное зрение.
Часть 4 · Последовательность
Рекуррентные сети и их потолок
- Идея. Сеть обрабатывает элементы по очереди и передаёт внутреннее состояние следующему шагу, то есть у неё есть память о предыдущем.
- Что умела. Речь, временные ряды, перевод до 2017 года.
- Где потолок. Дальние связи затухают: к концу длинного предложения сеть теряет его начало.
- Второе ограничение. Последовательная обработка не распараллеливается, а значит плохо масштабируется.
- Где ещё жива. Небольшие задачи с временными рядами, где важна экономия ресурсов.
Часть 5 · Внимание
Трансформер: почему он вытеснил всё остальное
Из первоисточника, arXiv 1706.03762, подана 12 июня 2017 года
Авторы предложили новую простую архитектуру Transformer, построенную исключительно на механизмах внимания и полностью отказавшуюся от рекуррентности и свёрток. Доминировавшие до этого модели последовательного преобразования строились на сложных рекуррентных или свёрточных сетях в схеме кодировщик и декодировщик.
- Что дало внимание. Любой элемент последовательности может напрямую посмотреть на любой другой, независимо от расстояния.
- Что дало это на практике. Параллельное обучение на огромных корпусах и работа с длинным контекстом.
- Где применяется сегодня. Языковые модели, перевод, код, звук, а с недавних пор и изображения.
- Слабое место. Стоимость внимания растёт быстрее длины последовательности, поэтому окно контекста всегда ограничено, подробнее в гайде про токены.
Часть 6 · Порождение
Состязательные сети и диффузионные модели
- Состязательные сети. Две модели обучаются одновременно: генератор порождает объекты, различитель оценивает вероятность того, что объект пришёл из настоящих данных, а не от генератора. Идея описана в статье arXiv 1406.2661, поданной 10 июня 2014 года.
- Что с ними стало. Их потеснили диффузионные модели, потому что состязательное обучение нестабильно и капризно к настройкам.
- Диффузионные модели. Класс латентных моделей, вдохновлённых неравновесной термодинамикой: обучение идёт через взвешенную вариационную границу, связанную со сопоставлением оценок при шумоподавлении. Ключевая работа arXiv 2006.11239 подана 19 июня 2020 года.
- Что из этого следует практически. Почти все нынешние генераторы картинок диффузионные, и именно поэтому генерация идёт постепенно, а не мгновенно.
Общая рамка порождающих моделей и их отличие от распознающих разобраны в гайде про генеративный ИИ.
Часть 7 · Сжатие
Автокодировщики: сжать и восстановить
- Идея. Сеть учится сжать объект в короткое представление, а потом восстановить его обратно как можно точнее.
- Зачем это нужно. Компактное представление оказывается осмысленным: похожие объекты в нём лежат рядом.
- Где применяется. Поиск аномалий, шумоподавление, сжатие, подготовка представлений для других моделей.
- Связь с векторным поиском. Тот же принцип лежит в основе эмбеддингов, разбор в гайде про эмбеддинги.
- Слабое место. Восстановление всегда приблизительное, и по нему нельзя судить о деталях.
Часть 8 · Связи
Графовые сети: когда важны не объекты, а связи
- Что за данные. Соцсеть, дорожная сеть, молекула, цепочка платежей. Важно не только что за узел, но и с кем он связан.
- Как работает. Каждый узел собирает информацию от соседей, потом от соседей соседей, и так несколько кругов.
- Где применяется. Антифрод, рекомендации, химия и материалы, прогноз загрузки транспорта.
- Почему о них мало слышно. Они редко попадают в потребительские продукты напрямую, но стоят внутри у многих сервисов.
Часть 9 · Определитель
Какую архитектуру берут под какие данные
| Архитектура | Форма данных | Типичная задача |
|---|---|---|
| Полносвязная | таблица признаков | скоринг, прогноз числа |
| Свёрточная | решётка пикселей | классификация и детекция на снимке |
| Рекуррентная | короткая последовательность | временной ряд, датчики |
| Трансформер | длинная последовательность | текст, код, звук, перевод |
| Состязательная | образцы для подражания | порождение изображений, апскейл |
| Диффузионная | образцы для подражания | картинка по описанию |
| Автокодировщик | любой объект | аномалии, сжатие, представления |
| Графовая | узлы и связи | антифрод, рекомендации, маршруты |
Часть 10 · Различие
Чем виды нейросетей отличаются от видов ИИ
Эти два списка регулярно путают, потому что в поиске они стоят рядом. Они отвечают на разные вопросы: первый про устройство модели, второй про уровень способностей системы.
- Виды нейросетей. Классификация по архитектуре: свёрточная, рекуррентная, трансформер и так далее.
- Виды искусственного интеллекта. Классификация по уровню: узкий, общий, превосходящий человека. Первое существует, остальное предмет спора.
- Третий часто смешиваемый список. Способы обучения: с учителем, без учителя, с подкреплением, разбор в отдельном гайде.
- Про общий интеллект. Что вкладывают в понятие AGI и какие есть уровни, собрано в гайде про AGI.
Часть 11 · Практика
Что из этого нужно, если вы не программист
- Понимать, почему картинка генерируется медленно. Диффузия идёт шагами, и это не тормоза сервиса.
- Понимать, почему чат забывает начало длинного разговора. Окно контекста ограничено стоимостью внимания.
- Не удивляться разным ответам на один запрос. Порождающая модель выбирает вероятностно.
- Правильно выбирать инструмент. Задача про картинку и задача про таблицу решаются разными семействами, и универсальной кнопки нет.
- Не верить в магию размера. Архитектура под задачу даёт больше, чем количество параметров.
Памятка
Что запомнить про виды нейросетей
Коротко
- Архитектуру подбирают под форму данных, а не под моду.
- Полносвязная сеть работает с таблицей и живёт последним слоем в других архитектурах.
- Свёртка ищет один и тот же признак в любом месте кадра.
- Остаточные связи сделали глубокие свёрточные сети обучаемыми, статья от 10.12.2015.
- Рекуррентные сети теряют начало длинной последовательности и плохо распараллеливаются.
- Трансформер отказался от рекуррентности и свёрток, статья от 12.06.2017.
- Состязательные сети описаны 10.06.2014, диффузионные 19.06.2020.
- Автокодировщик сжимает объект в осмысленное короткое представление.
- Графовые сети работают там, где важны связи, а не только сами объекты.
- Виды нейросетей, виды ИИ и способы обучения это три разных списка.
Источники
Что проверялось живьём и когда
- Статья «Attention Is All You Need», arXiv 1706.03762, подана 12 июня 2017 года: Transformer целиком на механизмах внимания, отказ от рекуррентности и свёрток.
- Статья «Deep Residual Learning for Image Recognition», arXiv 1512.03385, подана 10 декабря 2015 года: обучение остаточных функций относительно входов слоя.
- Статья «Generative Adversarial Networks», arXiv 1406.2661, подана 10 июня 2014 года: одновременное обучение генератора и различителя.
- Статья «Denoising Diffusion Probabilistic Models», arXiv 2006.11239, подана 19 июня 2020 года: латентные модели, вдохновлённые неравновесной термодинамикой.
- Статья «Efficient Estimation of Word Representations in Vector Space», arXiv 1301.3781, подана 16 января 2013 года: непрерывные векторные представления слов на больших корпусах.
- Коды ответа с московского адреса без VPN, 16.09.2026: 200 у arxiv.org, huggingface.co, scikit-learn.org, image-net.org.
- Wordstat, Россия, 16.09.2026: виды нейросетей 3 129, основные виды 137, виды генеративных нейросетей 128, виды нейросетей примеры 86; рядом искусственный интеллект виды 2 810.
- Выдача Яндекса по запросу «виды нейросетей», 16.09.2026: habr.com, sky.pro, blog.rt.ru, adminvps.ru, hpc-education.unn.ru, neerc.ifmo.ru, skillbox.ru, vc.ru, cloud.ru; Википедия четвёртой.
Чего тут нет намеренно: формул и схем слоёв. Для выбора инструмента они не нужны, а для реализации всё равно понадобится документация конкретной библиотеки. Списка конкретных моделей по каждой архитектуре тоже нет: он устаревает быстрее, чем статья успевает выйти.
FAQ
Частые вопросы
Какие бывают виды нейросетей
На практике встречаются восемь: полносвязные, свёрточные, рекуррентные, трансформеры, состязательные, диффузионные, автокодировщики и графовые. Различаются они не сложностью, а формой данных, под которую придуманы: решётка пикселей, последовательность, набор признаков или граф связей.
Чем свёрточная сеть отличается от обычной
Свёрточная использует скользящее окно, которое ищет один и тот же признак в любом месте изображения. Благодаря этому она понимает, что объект в разных частях кадра это один объект, и требует в разы меньше параметров. Полносвязная сеть учит каждый пиксель как отдельный независимый признак.
Что такое трансформер в нейросетях
Это архитектура, построенная целиком на механизмах внимания, где любой элемент последовательности может напрямую обратиться к любому другому. Она была предложена в статье, поданной на arXiv 12 июня 2017 года, и заменила рекуррентные и свёрточные схемы в задачах преобразования последовательностей.
Почему рекуррентные сети почти не используют
По двум причинам. Первая: они теряют информацию о начале длинной последовательности, поэтому дальние связи затухают. Вторая: они обрабатывают элементы строго по очереди, а значит плохо распараллеливаются и плохо масштабируются на больших корпусах. Трансформер снимает оба ограничения.
Чем диффузионные модели лучше состязательных
Они устойчивее в обучении. Состязательная схема требует тонкого баланса между генератором и различителем и легко разваливается. Диффузия обучается предсказуемо и даёт стабильное качество, поэтому большинство современных генераторов изображений построены именно на ней.
Что такое автокодировщик простыми словами
Это сеть, которая учится сжать объект в короткое представление и восстановить его обратно. Ценность не в восстановлении, а в самом сжатом представлении: в нём похожие объекты оказываются рядом. На этом принципе построены поиск аномалий, шумоподавление и векторный поиск.
Где применяются графовые нейросети
Там, где важны связи между объектами, а не только сами объекты: антифрод и цепочки платежей, рекомендации по социальным связям, химия и поиск материалов, прогноз загрузки транспортной сети. В потребительских продуктах они почти не видны, но стоят внутри многих сервисов.
Чем виды нейросетей отличаются от видов искусственного интеллекта
Это ответы на разные вопросы. Виды нейросетей это классификация по архитектуре модели. Виды искусственного интеллекта это классификация по уровню способностей системы: узкий, общий, превосходящий. Существует пока только первый уровень, остальное предмет обсуждения, а не описание реальности.
Какую архитектуру выбрать под мою задачу
По форме данных. Таблица признаков это полносвязная сеть или градиентный бустинг, изображение это свёрточная сеть, текст и код это трансформер, порождение картинок это диффузия, связи между объектами это графовая сеть. Выбор по моде вместо формы данных стабильно приводит к лишней работе.
Нужно ли всё это знать обычному пользователю
В минимальном объёме полезно. Знание, что диффузия идёт шагами, объясняет медленную генерацию картинки. Знание про окно контекста объясняет, почему чат забывает начало разговора. Знание про вероятностный выбор объясняет, почему один и тот же запрос даёт разные ответы.
Читать дальше
Платформа и сообщество, где я по шагам показываю, как поставить ИИ на рутину: контент, код, продажи, аналитика. Заходи и забирай рабочие связки, которыми пользуюсь сам.
Посмотреть, что внутриtelegram
Канал с полезными материалами про нейросети
Разборы, новые инструменты и приёмы по ИИ — то, чем пользуюсь сам, без воды. Подпишись, чтобы не потерять.
