深度学习中的神经网络是机器学习中一种基于多层神经元之间相互连接的模型。这种模型能够自动地从输入中学习到特征，并且可以用来进行分类、回归和聚类等任务。神经网络的结构可以分为输入层、隐藏层和输出层，其中隐藏层可以包含多层。
输入层是神经网络的第一层，其主要作用是将输入数据传递到下一层。输入层的节点数通常由输入数据的维度来决定。对于图像数据，通常将每个像素点看作一个节点，因此输入层的节点数等于图像的像素数。
隐藏层是神经网络的中间层，其主要作用是从输入数据中提取出有用的特征。隐藏层的节点数和层数是决定神经网络性能的重要因素之一。隐藏层的节点数越多，网络的表达能力越强，但同时也会增加过拟合的风险。如果层数过多，可能会导致梯度消失或梯度爆炸的问题。
常见的神经网络结构包括前馈神经网络、循环神经网络和卷积神经网络。
前馈神经网络（Feedforward Neural Network，FNN）是最基本的神经网络结构，其输入只能从前往后传递，不会出现循环。在前馈神经网络中，每一层的节点都与下一层的节点相连，每个节点的输出都会作为下一层节点的输入。前馈神经网络通常用于分类和回归任务。
循环神经网络（Recurrent Neural Network，RNN）通过在隐藏层之间建立循环连接，使得网络可以处理序列数据。循环神经网络的隐藏层可以包含多个时刻的状态，使得网络可以将之前的信息传递到后续的时刻。常见的循环神经网络结构包括基本循环神经网络（Simple RNN）、长短时记忆网络（Long Short-Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU）。
卷积神经网络（Convolutional Neural Network，CNN）是专门用于处理图像、语音或文本等具有网格状结构的数据的神经网络。卷积神经网络中的卷积层可以自动地从输入数据中提取出有用的特征，并且在保留空间结构信息的同时减少了参数数量。卷积神经网络通常包含多个卷积层和池化层，其中池化层可以减小特征图的尺寸并增加网络的不变性。
在实际应用中，常见的神经网络结构也会进行组合和优化。例如，ResNet通过添加残差连接来解决梯度消失的问题，DenseNet通过将前面所有层的输出作为当前层的输入来增加网络的表达能力。此外，还有一些优化的技术，如批量归一化（Batch Normalization）、Dropout和正则化等，用来提高神经网络的泛化能力和鲁棒性。
总之，深度学习中的神经网络结构是多种多样的，每一种结构都有其特定的应用场景和优缺点。选择合适的神经网络结构可以提高模型的性能并加速模型的收敛。