Keras中内置的模型架构主要包括以下几种：
1. MobileNet系列（MobileNetV1, MobileNetV2, MobileNetV3）：
   - 基本原理：MobileNet系列是为了移动和边缘设备设计的轻量级卷积神经网络。它们使用深度可分离卷积（depthwise separable convolution）来减少参数和计算量。MobileNetV2引入了逆残差结构，MobileNetV3则通过神经网络架构搜索（NAS）进一步优化了模型结构。
   - 应用场景：移动设备上的图像识别、实时物体检测、图像分割等。
2. ResNet系列（ResNet, ResNetV2）：
   - 基本原理：ResNet引入了残差学习框架，通过残差块和跳跃连接来解决深层网络中的梯度消失问题。ResNetV2则对原始的残差单元进行了改进，使其在训练和推理时更加高效。
   -应用场景：图像分类、视频分析、语音识别等。
3. VGG系列（VGG16, VGG19）：
   - 基本原理：VGG模型通过堆叠多个卷积层来提取图像特征，特点是层数较多，卷积核大小固定为3x3。VGG模型的结构简单，易于理解，但参数量较大。
   - 应用场景：图像分类、风格迁移、特征提取等。
4. DenseNet：
   - 基本原理：DenseNet通过在每个层之间建立密集的连接来提高信息流和参数效率。每个层都会接收前面所有层的特征图作为输入，并输出自己的特征图，这些特征图会被后续所有层直接使用。
   - **应用场景**：图像分类、人脸识别、医学图像分析等。
5. **Inception系列**（InceptionV3, InceptionResNetV2）：
   - **基本原理**：Inception网络通过不同尺寸的卷积和池化操作来提取特征，同时使用Inception模块来提高网络的深度和宽度。InceptionResNetV2结合了Inception模块和残差连接。
   - 应用场景：图像分类、物体检测、人脸识别等。
6. Xception：
   - 基本原理：Xception是一个深度可分的卷积神经网络，它将传统的卷积分解为深度卷积和逐点卷积，以提高参数效率和模型性能。
   - 应用场景：图像分类、物体检测、视频分析等。
7. NASNet：
   - 基本原理：NASNet是通过神经架构搜索（NAS）算法发现的网络架构，旨在自动发现高性能的网络结构。
   - 应用场景：图像分类、物体检测、图像分割等。
8. EfficientNet：
   - 基本原理：EfficientNet通过复合缩放方法优化效率，它同时缩放网络的宽度、深度和分辨率，以实现更好的性能和效率权衡。
   - 应用场景：图像分类、物体检测、图像分割等。
9. Transformer：
   - 基本原理：Transformer模型基于自注意力机制，可以处理序列数据，特别是长序列。它通过多头注意力机制和位置编码来捕捉数据中的长距离依赖关系。
   - 应用场景：自然语言处理（如机器翻译、文本生成）、时间序列分析、推荐系统等。
10. BERT（Bidirectional Encoder Representations from Transformers）：
    - 基本原理：BERT是一个基于Transformer的双向编码器，它在大量文本上进行预训练，以学习语言的理解能力。BERT通过掩码语言建模和下一句预测任务来训练。
    - 应用场景：文本分类、命名实体识别、情感分析、问答系统等。
这些模型架构在Keras中通常都有预训练的版本，可以直接用于特征提取或进行微调以适应新的任务。由于Keras是一个开源项目，新的模型和架构可能会随着社区的贡献而不断添加。因此，上述列表并不是固定不变的，而是随着时间而发展和扩展的。