常用的深度学习算法有以下几种：
1. 卷积神经网络（Convolutional Neural Network, CNN）：用于图像识别和处理任务。
2. 递归神经网络（Recurrent Neural Network, RNN）：用于序列数据的建模和处理，如自然语言处理任务。
3. 长短期记忆网络（Long Short-Term Memory, LSTM）：是一种特殊的RNN结构，用于处理长期依赖性问题。
4. 生成对抗网络（Generative Adversarial Network, GAN）：用于生成新的样本，如图像生成等任务。
5. 自编码器（Autoencoder）：用于特征提取和数据压缩。
6. 强化学习（Reinforcement Learning）：用于智能体通过与环境交互来学习最优策略的算法。
7. 注意力机制（Attention Mechanism）：用于处理序列数据时，对重要信息进行加权处理。
8. 变分自编码器（Variational Autoencoder）：用于生成新的样本，同时能够学习样本数据的分布。
9. 深度信念网络（Deep Belief Network, DBN）：用于无监督学习任务和特征提取。
10. 卷积生成对抗网络（Conditional Generative Adversarial Network, CGAN）：用于生成特定条件下的样本。
11. 稀疏自编码器（Sparse Autoencoder）：用于特征提取和去噪。
这只是深度学习算法的一小部分，目前深度学习领域还有许多其他算法和模型在不断发展和探索。
