為了向妳展示深度學習獲得的關註，下面是谷歌的關鍵詞趨勢:
谷歌的“深度學習”趨勢
現在軟件行業正在走向機器智能。機器學習已經成為各個行業不可或缺的壹部分。作為制造機器智能的壹種方式，更簡單的說，機器學習就是壹套算法。他們可以分析數據，從中學習，然後應用所學做出明智的決策。
機器學習的例子比比皆是。這就是網飛如何知道接下來該看哪個節目，或者臉書如何在數碼照片中認出妳朋友的臉。或者，在您進行CSAT調查之前，客戶服務代表會知道您對他們的支持是否滿意。
傳統的機器學習算法有壹點就是看起來很復雜，但還是像機器。他們需要大量的專業知識，人為幹預只能滿足他們的需求，不能多也不能少。對於AI設計師和世界其他地方來說，這是深度學習更有前途的地方。
什麽是深度學習？
事實上，深度學習是機器學習的壹個子集。通過學習將世界表示為嵌套的概念層次結構，實現了強大的功能和靈活性，其中每個概念都與壹個更簡單的概念相關聯，而壹個更抽象的表示用壹個不太抽象的概念來計算。
詳細來說，深度學習技術是通過隱層結構逐步學習類別，比如字母，然後定義更高級別的類別(比如單詞)和更高級別的類別(比如句子)。在圖像識別的例子中，它意味著在對線進行分類之前識別亮區和暗區，然後識別形狀以允許人臉識別。網絡中的每個神經元或節點代表整體的壹個方面，它們提供了圖像的完整表示。每個節點或隱層都有壹個權重來表示其與輸出關系的強弱，權重隨著模型的發展而調整。
深度學習架構
深度學習的顯著特征
深度學習的優勢之壹也是理解它為什麽變得流行的關鍵部分。它是由大量數據驅動的。技術的“大數據時代”將為深度學習的新創新提供巨大的機會。正如吳恩達所說，“人工智能類似於建造壹艘火箭船。妳需要壹個巨大的引擎和大量的燃料。如果妳的發動機很大，但燃料很少，火箭船就無法進入正確的軌道。或者，如果妳有壹個小發動機，壹噸燃料，妳甚至不能讓火箭船起飛。要制造壹枚火箭，妳需要壹個巨大的引擎和大量的燃料。
用深度學習打個比方，就是說火箭發動機是深度學習模型，燃料是我們讓這些算法學習的大量數據。"
深度學習需要與傳統機器學習算法相反的高端機器。現在，GPU已經成為執行任何深度學習算法不可或缺的壹部分。
在傳統的機器學習技術中，為了降低數據的復雜性，使模式更容易學習算法，大多數應用特征需要由領域專家來識別。前面討論的深度學習算法的最大優勢是，它們試圖以增量的方式從數據中學習高級特征。這消除了對領域專業知識和核心特征提取的需要。
深度學習和機器學習技術的另壹個區別在於解決問題的方法。深度學習技術傾向於從頭到尾解決問題，機器學習技術需要將問題語句分解成不同的部分。先解決問題，最後階段再合並其結果。
例如，對於多物體檢測問題，Yolo network等深度學習技術以圖像為輸入，在輸出端提供物體的位置和名稱。但是在通常的像SVM這樣的機器學習算法中，需要先用包圍盒物體檢測算法來識別所有可能的物體，從而輸入HOG作為識別相關物體的學習算法。
通常情況下，由於大量的參數，深度學習算法需要很長時間的訓練。最流行的ResNet算法完全從零開始訓練大約需要兩周時間。傳統的機器學習算法需要幾秒到幾個小時的訓練，而這個場景在測試階段是完全相反的。在測試中，深度學習算法花費的時間要少得多。但如果和最近鄰算法(壹種機器學習算法)相比，測試時間會隨著數據量的增加而增加。雖然這並不適用於所有的機器學習算法，但其中壹些算法的測試時間也很短。
可解釋性是很多行業在深度學習中使用其他機器學習技術的主要問題。我們舉個例子。假設我們用深度學習來計算文檔的相關度得分。它提供的性能非常好，接近人類的性能。但是有壹個問題，它沒有揭示它為什麽給出這個分數。其實妳可以從數學上找出深層神經網絡的哪些節點被激活了，但是我們不知道應該對哪些神經元建模，這些神經元層壹起做了什麽。所以我們無法解釋這個結果這不是機器學習算法，比如決策樹，邏輯回歸等。
什麽時候用深度學習或者不用？
1.深度學習如果有大量數據，執行其他技術。但由於數據量小，傳統的機器學習算法更可取。
2.深度學習技術需要高端基礎設施在合理的時間內進行訓練。
3.當缺乏對特征內省的領域理解時，深度學習技術超越了其他領域，因為妳不用擔心特征工程。
4.深度學習確實在圖像分類、自然語言處理、語音識別等復雜問題中發揮了突出的作用。