深度学习训练中，根据训练数据是否有标签，可以将网络分为三大类：监督学习、半监督学习和无监督学习。
目录
一、监督学习网络
1.1 特点
监督学习网络（Supervised Learning Network）的特点：训练数据中每个样本都有对应的标签（即正确的输出）。模型通过学习输入数据和对应标签之间的映射关系，来预测新的输入数据的输出。
1.2 典型任务
监督学习网络的典型任务有： 分类（如图像分类、文本分类）、回归（如房价预测、股票预测）、目标检测等。
1.3 举例
给模型大量猫和狗的图片，并告诉模型哪些是猫，哪些是狗，让模型学习到猫和狗的特征，从而能够对新的图片进行分类。
给模型大量房屋的特征数据（如面积、房龄、位置等）和对应的房价数据，让模型学习到房价与特征之间的关系，从而能够预测新房子的价格。
二、半监督学习网络
2.1 特点
半监督学习网络（Semi-supervised Learning Network）的特点：训练数据中既有有标签的样本，又有大量的无标签样本。模型利用有标签数据学习基本模式，然后将这些模式扩展到无标签数据上。
2.2 典型任务
与监督学习类似，但可以利用更多未标注数据，提高模型性能。
2.3 举例
在图像分类任务中，只有部分图像有标签，大部分图像没有标签。模型先利用有标签数据学习分类，然后利用无标签数据来改进分类器。
三、无监督学习网络
3.1 特点
无监督学习网络（Unsupervised Learning Network）的特点：训练数据中没有标签，模型需要自己发现数据中的潜在结构或模式。
3.2 典型任务
聚类（将数据分为不同的组）、降维（将高维数据映射到低维空间）、异常检测等。
3.3 举例
将客户分成不同的群体，以便进行个性化营销。
将高维的基因表达数据降维，以便可视化和分析。
在信用卡交易数据中发现异常交易，以防止欺诈。
四、三种网络的对比分析
五、总结
监督学习 是最常见的深度学习方法，但需要大量标注数据。
半监督学习 可以利用更多的未标注数据，降低标注成本。
无监督学习 可以发现数据中的潜在模式，在很多领域有广泛应用。
选择哪种网络取决于具体任务和数据的特点。 如果有大量标注数据，可以选择监督学习；如果标注数据有限，可以考虑半监督学习；如果只有无标注数据，则只能选择无监督学习。