深度學(xué)習(xí)是什么？

深度學(xué)習(xí)是什么？
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中對(duì)模式（聲音、圖像等等）進(jìn)行建模的一種方法，它也是一種基于統(tǒng)計(jì)的概率模型。在對(duì)各種模式進(jìn)行建模之后，便可以對(duì)各種模式進(jìn)行識(shí)別了，例如待建模的模式是聲音的話(huà)，那么這種識(shí)別便可以理解為語(yǔ)音識(shí)別。而類(lèi)比來(lái)理解，如果說(shuō)將機(jī)器學(xué)習(xí)算法類(lèi)比為排序算法，那么深度學(xué)習(xí)算法便是眾多排序算法當(dāng)中的一種（例如冒泡序列），這種算法在某些應(yīng)用場(chǎng)景中，會(huì)具有一定的優(yōu)勢(shì)。

深度學(xué)習(xí)的優(yōu)點(diǎn)？
為了進(jìn)行某種模式的識(shí)別，通常的做法首先是以某種方式，提取這個(gè)模式中的特征。這個(gè)特征的提取方式有時(shí)候是人工設(shè)計(jì)或指定的，有時(shí)候是在給定相對(duì)較多數(shù)據(jù)的前提下，由計(jì)算機(jī)自己總結(jié)出來(lái)的。深度學(xué)習(xí)提出了一種讓計(jì)算機(jī)自動(dòng)學(xué)習(xí)出模式特征的方法，并將特征學(xué)習(xí)融入到了建立模型的過(guò)程中，從而減少了人為設(shè)計(jì)特征造成的不完備性。而目前以深度學(xué)習(xí)為核心的某些機(jī)器學(xué)習(xí)應(yīng)用，在滿(mǎn)足特定條件的應(yīng)用場(chǎng)景下，已經(jīng)達(dá)到了超越現(xiàn)有算法的識(shí)別或分類(lèi)性能。

深度學(xué)習(xí)的缺點(diǎn)？
深度學(xué)習(xí)雖然能夠自動(dòng)的學(xué)習(xí)模式的特征，并可以達(dá)到很好的識(shí)別精度，但這種算法工作的前提是，使用者能夠提供“相當(dāng)大”量級(jí)的數(shù)據(jù)。也就是說(shuō)在只能提供有限數(shù)據(jù)量的應(yīng)用場(chǎng)景下，深度學(xué)習(xí)算法便不能夠?qū)?shù)據(jù)的規(guī)律進(jìn)行無(wú)偏差的估計(jì)了，因此在識(shí)別效果上可能不如一些已有的簡(jiǎn)單算法。另外，由于深度學(xué)習(xí)中，圖模型的復(fù)雜化導(dǎo)致了這個(gè)算法的時(shí)間復(fù)雜度急劇提升，為了保證算法的實(shí)時(shí)性，需要更高的并行編程技巧以及更好更多的硬件支持。所以，目前也只有一些經(jīng)濟(jì)實(shí)力比較強(qiáng)大的科研機(jī)構(gòu)或企業(yè)，才能夠用深度學(xué)習(xí)算法，來(lái)做一些比較前沿而又實(shí)用的應(yīng)用。