人工智能训练好的模型文件主要包括以下几种：
1. TensorFlow SavedModel：这是最常见的模型格式，用于保存深度学习模型。它包含了模型的权重、激活函数、损失函数等信息，可以直接加载到新的设备上进行推理。
2. ONNX：这是一种开放的模型格式，可以在不同的框架之间进行迁移和共享。ONNX模型可以被转换为TensorFlow、PyTorch等主流框架的模型，也可以被转换为其他语言（如Python、C++等）的模型。
3. Keras Model：这是使用Python编写的深度学习模型，可以直接在Keras中运行。Keras提供了丰富的API，可以方便地构建和训练各种类型的模型。
4. PyTorch Model：这是使用Python编写的深度学习模型，可以在PyTorch中直接运行。PyTorch提供了丰富的库，可以方便地构建和训练各种类型的模型。
5. MobileNetV2：这是一种轻量级的神经网络结构，适用于移动设备上的图像识别任务。MobileNetV2模型可以通过预训练的方式获取基础特征，然后通过微调来适应特定的任务。
6. ResNet：这是一种深度残差网络结构，适用于图像识别、语音识别等任务。ResNet模型通过添加残差连接来提高模型的表达能力，同时保持了较高的计算效率。
7. VGGNet：这是一种经典的卷积神经网络结构，适用于图像识别、语音识别等任务。VGGNet模型通过引入更多的卷积层和池化层来提高模型的表达能力，同时保持了较低的计算复杂度。
8. Inception：这是一种多层次的卷积神经网络结构，适用于图像识别、语音识别等任务。Inception模型通过引入多个层次的卷积层和池化层来提取不同层次的特征，从而提高模型的表达能力。
9. DenseNet：这是一种密集连接的网络结构，适用于图像识别、语音识别等任务。DenseNet模型通过引入更多的密集连接来提高模型的表达能力，同时保持了较低的计算复杂度。
10. MobileNet：这是一种轻量级的卷积神经网络结构，适用于移动设备上的图像识别任务。MobileNet模型通过移除多余的卷积层和池化层来降低模型的计算复杂度，同时保持了较高的识别性能。
