多元非线性数据用什么深度学习模型

对于多元非线性数据，可以使用各种深度学习模型进行建模，其中常见的包括：

1. 多层感知机（Multi-Layer Perceptron，MLP）：基本的前馈神经网络，可用于回归和分类任务。

2. 卷积神经网络（Convolutional Neural Network，CNN）：适用于图像、语音、文本等数据的分类和识别任务，能够自动提取特征。

3. 循环神经网络（Recurrent Neural Network，RNN）：适用于序列数据，如语音、文本、时间序列数据的分类、预测等任务，能够对序列进行建模。

4. 长短时记忆网络（Long Short-Term Memory，LSTM）：一种特殊的RNN，能够解决传统RNN中长期依赖的问题。

5. 自编码器（Autoencoder，AE）：一种无监督学习方法，可用于特征提取和数据压缩等任务。

6. 生成对抗网络（Generative Adversarial Network，GAN）：一种生成模型，可用于生成图像、文本等。

根据实际需求和数据特征，选择合适的深度学习模型进行建模。