機(jī)器學(xué)習(xí)（ML）是人工智能（AI）的子集。這是一組實(shí)現(xiàn)人工智能的方法,。ML旨在使計(jì)算機(jī)系統(tǒng)能夠“學(xué)習(xí)”,，使用提供的數(shù)據(jù)并作出準(zhǔn)確的預(yù)測(cè)?？梢圆碌?，深度學(xué)習(xí)（DL）是ML的一個(gè)子集。它只是實(shí)施ML的方式之一,。換句話說(shuō),，DL是機(jī)器學(xué)習(xí)的下一個(gè)發(fā)展。

DL算法可以被視為識(shí)別模式和分類各種類型信息的方法,，就像我們使用我們的大腦一樣,。大腦通常通過(guò)標(biāo)記處理其收到的信息并將項(xiàng)目分配到各種類別。DL算法的概念類似于我們的大腦吸收新信息的過(guò)程：在理解它之前嘗試將其與已知事物進(jìn)行比較,，找到相似之處,。最強(qiáng)大的算法，模仿我們的大腦做出決策的方式,，是人工神經(jīng)網(wǎng)絡(luò)（ANNs）,，并且DL基于它們并不奇怪。

ANN是一個(gè)用于模擬復(fù)雜系統(tǒng)行為的信息處理概念,。人工神經(jīng)網(wǎng)絡(luò)的主要思想是利用人類大腦的方式來(lái)解決任何特定問(wèn)題,。ANN由多個(gè)節(jié)點(diǎn)構(gòu)成，這些節(jié)點(diǎn)模擬人腦的生物神經(jīng)元,。節(jié)點(diǎn)被組織成層并連接起來(lái)進(jìn)行通信,，通常是在鄰近層之間。數(shù)據(jù)通過(guò)層從輸入層傳遞到輸出層,。層中的節(jié)點(diǎn)數(shù)可以不同,。

DL是一個(gè)ANN，但是它有一系列層,，每一層都創(chuàng)建了轉(zhuǎn)換輸入數(shù)據(jù)的更抽象的表示,。這個(gè)層次結(jié)構(gòu)識(shí)別輸入特性，并根據(jù)數(shù)據(jù)創(chuàng)建一組新特性,。輸出層結(jié)合了所有這些特性并進(jìn)行預(yù)測(cè),。一個(gè)簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)只有一個(gè)隱藏層，不能學(xué)習(xí)像DL這樣的復(fù)雜特征,，因?yàn)樗卸鄠€(gè)隱藏層,。它擁有的層越多，學(xué)習(xí)到的特性級(jí)別就越高,。數(shù)據(jù)和函數(shù)呈指數(shù)關(guān)系,。例如，擁有十個(gè)特性需要提供至少100個(gè)數(shù)據(jù)值,。DL非常昂貴,，需要大量的數(shù)據(jù)集來(lái)訓(xùn)練和大量的計(jì)算資源。它在20世紀(jì)80年代首次理論化,，直到最近才變得有用的主要原因有兩個(gè)：

DL需要大量標(biāo)記數(shù)據(jù),，并且最近才發(fā)明了適當(dāng)?shù)臄?shù)據(jù)存儲(chǔ)，而數(shù)據(jù)標(biāo)記過(guò)程使結(jié)果變得單調(diào)乏味,。

DL需要大量的計(jì)算能力,。高性能GPU具有廣泛用于DL的并行體系架構(gòu)。與集群或云計(jì)算相結(jié)合,，它提供了減少訓(xùn)練時(shí)間的機(jī)會(huì),。

DL不僅是更多的隱含層,，還有一些深度學(xué)習(xí)技術(shù)，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）,，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）,，生成對(duì)抗網(wǎng)絡(luò)（GAN）。DL專門(mén)研究像大腦這樣的模型,。識(shí)別一個(gè)網(wǎng)絡(luò)比其他網(wǎng)絡(luò)更好是錯(cuò)誤的,；它們更適合于特定任務(wù)。CNN通過(guò)從圖像中提取特征而很好地工作,。它們?cè)谙到y(tǒng)訓(xùn)練一組圖像時(shí)實(shí)現(xiàn),，使CNN對(duì)計(jì)算機(jī)視覺(jué)任務(wù)非常精確。CNNs不需要手動(dòng)提取特征,，而是直接從圖像中提取特征,。

雖然CNNs通常用于圖像處理，但是另一類DL模型RNNs通常用于語(yǔ)言處理,。它們具有內(nèi)置的反饋循環(huán),，對(duì)內(nèi)存進(jìn)行建模，其中層的輸出可以反饋到自身中,，就像循環(huán)一樣,，這會(huì)產(chǎn)生記憶效應(yīng)。RNNs可以通過(guò)處理真實(shí)的數(shù)據(jù)序列來(lái)預(yù)測(cè)接下來(lái)會(huì)發(fā)生什么來(lái)訓(xùn)練序列生成,。

在GANs中,，兩個(gè)神經(jīng)網(wǎng)絡(luò)分別扮演著不同的角色：生成器和判別器。第一個(gè)試圖創(chuàng)建有說(shuō)服力的“假”數(shù)據(jù),，而另一個(gè)試圖找到假數(shù)據(jù)和真實(shí)數(shù)據(jù)之間的差異,。每個(gè)訓(xùn)練周期使得生成器更好地創(chuàng)建假數(shù)據(jù)，并且判別器在識(shí)別假數(shù)據(jù)時(shí)更敏銳,。兩者都在對(duì)抗中得到改善,，雙方都在人與人之間的真實(shí)辯論中獲利。GANs可用于非常有趣的應(yīng)用程序,，包括從書(shū)面文本生成圖像,。

DL模型已應(yīng)用于許多領(lǐng)域和概念，如社交網(wǎng)絡(luò)過(guò)濾,，圖像識(shí)別,，金融欺詐檢測(cè)，語(yǔ)音識(shí)別,，計(jì)算機(jī)視覺(jué),，醫(yī)學(xué)圖像處理，自然語(yǔ)言處理，視覺(jué)藝術(shù)處理,，藥物發(fā)現(xiàn)和設(shè)計(jì),，毒理學(xué)，生物信息學(xué),，客戶關(guān)系管理,，音頻識(shí)別等。事實(shí)證明了在ML技術(shù)中處于領(lǐng)先地位,；DL的深度不在于層數(shù)，而在于我們大腦不同專業(yè)結(jié)構(gòu)的建模,。