優點:1:學習能力強。
從訓練、測試到驗證，深度學習的表現都很好，說明學習能力很強。
優點二:覆蓋面廣，適應性好。
它的神經網絡層數多，寬度大，理論上可以映射到任何函數，可以解決很多復雜的問題。
優勢三:數據驅動，上限高。
深度學習高度依賴數據，數據量越大，性能越好。圖像識別、人臉識別、NLP等壹些任務甚至已經超越了人類的表現，同時還可以通過調整參數進壹步提高上限。
優點四:便攜性好。
由於深度學習的優秀性能，可以使用的框架有很多，比如TensorFlow和Pytorch。這些框架與許多平臺兼容。
展開:
機器學習和深度學習的五個主要區別:
1.人為幹預
對於機器學習系統，人類需要根據數據類型(如像素值、形狀和方向)來識別和手動編碼應用特征，而深度學習系統則試圖在沒有額外人類幹預的情況下學習這些特征。以面部識別程序為例。
這個程序將首先學習檢測和識別面部的邊緣和線條，然後是面部更重要的部分，最後是面部的整體外觀。這樣做會涉及到大量的數據，隨著時間的推移和程序的自我訓練，正確答案(即人臉識別準確)的概率會逐漸增加。這種訓練是利用神經網絡進行的，類似於人腦的工作方式，不需要人類重新編程。
2.五金器具
由於要處理的數據量與所用算法涉及的數學計算復雜度不同，深度學習系統需要比簡單的機器學習系統更強大的硬件。用於深度學習的壹種硬件是圖形處理單元(GPU)。機器學習程序可以在沒有那麽大計算能力的低端機器上運行。
3.時間
我們知道，深度學習系統需要龐大的數據集，而且涉及到很多參數和數學公式，所以深度學習系統會需要大量的訓練時間。機器學習可能需要幾秒到幾個小時，而深度學習可能需要幾個小時到幾周！
4.方法
機器學習中使用的算法傾向於分析數據的不同部分，然後將這些部分結合起來，以獲得結果或解決方案。深度學習系統壹下子解決了整個問題。
舉個例子，如果妳想用壹個程序來識別壹幅圖像中的特定物體(它們是什麽，在哪裏——比如停車場裏壹輛車的車牌)，妳必須通過機器學習來完成兩個步驟:首先是物體檢測，然後是物體識別。有了深度學習程序，妳只需要輸入壹張圖像，通過訓練，程序會在壹個結果中返回被識別的物體及其在圖像中的位置。
5.應用
通過以上的區別，妳可能已經意識到機器學習和深度學習系統會在不同的應用中使用。使用場合:基本的機器學習應用包括預測程序(如預測股票市場的價格或下壹次颶風的時間和地點)、垃圾郵件識別器以及為醫療患者設計循證治療計劃的程序。
除了上面提到的網飛、音樂流媒體服務和面部識別的例子之外，深度學習的另壹個眾所周知的應用領域是自動駕駛汽車——這個程序使用多層神經網絡來做事情，例如確定要避開的對象、識別交通燈以及知道何時加速或減速。