機(jī)器學(xué)習(xí)（ML）是人工智能（AI）的子集。這是一組實現(xiàn)人工智能的方法。ML旨在使計算機(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?？梢圆碌?，深度學(xué)習(xí)（DL）是ML的一個子集。它只是實施ML的方式之一。換句話說，DL是機(jī)器學(xué)習(xí)的下一個發(fā)展。

DL算法可以被視為識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。大腦通常通過標(biāo)記處理其收到的信息并將項目分配到各種類別。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解決任何特定問題。ANN由多個節(jié)點構(gòu)成，這些節(jié)點模擬人腦的生物神經(jīng)元。節(jié)點被組織成層并連接起來進(jìn)行通信，通常是在鄰近層之間。數(shù)據(jù)通過層從輸入層傳遞到輸出層。層中的節(jié)點數(shù)可以不同。

DL是一個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。這個層次結(jié)構(gòu)識別輸入特性，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。一個簡單的人工神經(jīng)網(wǎng)絡(luò)只有一個隱藏層，不能學(xué)習(xí)像DL這樣的復(fù)雜特征，因為它有多個隱藏層。它擁有的層越多，學(xué)習(xí)到的特性級別就越高。數(shù)據(jù)和函數(shù)呈指數(shù)關(guān)系。例如，擁有十個特性需要提供至少100個數(shù)據(jù)值。DL非常昂貴，需要大量的數(shù)據(jù)集來訓(xùn)練和大量的計算資源。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：

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，而數(shù)據(jù)標(biāo)記過程使結(jié)果變得單調(diào)乏味。

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

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），生成對抗網(wǎng)絡(luò)（GAN）。DL專門研究像大腦這樣的模型。識別一個網(wǎng)絡(luò)比其他網(wǎng)絡(luò)更好是錯誤的；它們更適合于特定任務(wù)。CNN通過從圖像中提取特征而很好地工作。它們在系統(tǒng)訓(xùn)練一組圖像時實現(xiàn)，使CNN對計算機(jī)視覺任務(wù)非常精確。CNNs不需要手動提取特征，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通常用于語言處理。它們具有內(nèi)置的反饋循環(huán)，對內(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，這會產(chǎn)生記憶效應(yīng)。RNNs可以通過處理真實的數(shù)據(jù)序列來預(yù)測接下來會發(fā)生什么來訓(xùn)練序列生成。

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

DL模型已應(yīng)用于許多領(lǐng)域和概念，如社交網(wǎng)絡(luò)過濾，圖像識別，金融欺詐檢測，語音識別，計算機(jī)視覺，醫(yī)學(xué)圖像處理，自然語言處理，視覺藝術(shù)處理，藥物發(fā)現(xiàn)和設(shè)計，毒理學(xué)，生物信息學(xué)，客戶關(guān)系管理，音頻識別等。事實證明了在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。