现在主流的分类神经网络预测模型

目前主流的分类神经网络预测模型包括：

1. 卷积神经网络（Convolutional Neural Networks，CNN）：主要用于图像识别和计算机视觉任务，通过卷积层、池化层和全连接层等结构进行特征提取和分类。

2. 循环神经网络（Recurrent Neural Networks，RNN）：适用于序列数据的处理，如自然语言处理和语音识别。其具有记忆功能，能够处理变长输入序列。

3. 长短时记忆网络（Long Short-Term Memory，LSTM）：一种特殊的RNN变体，通过门控机制来解决传统RNN中的梯度消失和梯度爆炸问题，能够更好地处理长期依赖关系。

4. 递归神经网络（Recursive Neural Networks，RecNN）：用于处理树形结构的数据，如自然语言解析树和计算机程序的抽象语法树。

5. 注意力机制（Attention Mechanism）：在神经网络中引入注意力机制可以提高模型对输入的关注度，从而改善分类性能。常见的注意力机制包括自注意力机制（Self-Attention）和多头注意力机制（Multi-Head Attention）。

6. 转换器（Transformer）：一种基于自注意力机制的神经网络模型，主要用于自然语言处理任务。Transformer模型在机器翻译、文本生成等任务中取得了很好的效果。

这些分类神经网络预测模型在不同领域和任务中具有广泛的应用，并且不断有新的模型和技术不断涌现。