深度学习最早出现在20世纪80年代，当时受限于硬件能力和数据资源缺乏，未体现卓越效果，2009年以后受到关注。深度学习是以深层次神经网络结构为基础的学习网络的一种概念性描述。
深度学习与传统机器学习的区别在于，能够自动进行特征提取。传统机器学习算法，需要事先确定提取那些特征，将特征输入神经网络执行分类任务。而深度学习算法，通过大量数据自动确定需要提取特征信息，直接完成分类任务。
深度学习的目的是，建立、模拟人脑进行分析学习的神经网络。通过组合低层特征形成抽象高层表示属性类别或特征。其分层结构，属于多层前向神经网络，相邻层节点有连接，同层、跨层节点间无连接。比较接近于人脑结构，包括输入层、（多层）隐藏层、输出层。典星的深度学习系统，涉及百万计样本（带标签样本用于训练）和权值，采用分层训练机制，克服BP神经网络的问题。
深度学习正在取得重大进展，它取得了人工智能领域很多年我们尽最大努力没有解决的问题，已经被证明，它能够擅长并发现高纬度特征数据的复杂结构。目前已经在图像识别、自然语言理解、智能问答，语言翻译等领域取得了比传统机器学习方法更好的结果。
但是深度学习并不是万能的： 1）它需要采集大量高纬度数据训练样本，才能够缓解复杂复杂模型的过度学习； 2）另外它很难在深度学习算法，在具问题上给出具体解释，因此如何让机器学会常识、直觉对机器和研究者来说都是一个大的难题
© 版权声明
文章版权归作者所有，未经允许请勿转载。
