深度学习的本质是深层的人工神经网络（一种机器学习算法）。传统上，由于神经网络算法的缺点、训练数据不足或缺乏计算能力，神经网络只有浅层学习能力。但这种情况实现了完全逆转，使更多层网络的训练变得可行。连续的隐含层越多，网络便越深入。因此，称之为“深度学习”。

 

       在大多数传统的机器学习方法中，原始数据不会被自动处理。通常，其处理过程需要基于大量的行业知识来手动设计某些特征提取方法。相反地，深度学习将原始数据作为输入，并自动查找进行模式识别或分类所需的特征。这种自动学习特征的能力使深度学习方法在各种普遍情况下非常有用。

 

       找到适当的神经网络结构和识别决定网络训练性能的参数仍然是一个挑战。此外，ABB变频器理解深度学习模型学习了哪些特征并不容易。另外，与所有机器学习模型一样，深度学习模型也容易受到精心设计的输入的影响，它们可能导致模型产生错误推论。这些主题是当前深度学习研究工作的重点。

                                                     

 

        近期，深度学习在执行图像和语音识别等任务方面已取得巨大成功。深度学习的潜在影响不可低估，因为它将影响许多行业，并将为整个社会带来显著变化。------本文摘自网络