深度學習是機器學習的一個分支，其使用多個非線性的處理層直接從數(shù)據(jù)中學習有用的特征表現(xiàn)形式。深度學習模型可以在對象分類時達到高水平的精確度，有時甚至超出人類的表現(xiàn)。該模型通過使用大量的帶標簽數(shù)據(jù)以及包含許多層的神經(jīng)網(wǎng)絡(luò)架構(gòu)得到訓練。

深度學習可以用來解決各種問題，包括：

圖像分類

語音識別

自然語言處理

訓練深度學習模型

深度學習模型的準確性主要取決于用于訓練該模型的數(shù)據(jù)量。最準確的模型可能需要使用幾千個甚至幾百萬個樣本，因此訓練這種模型需要花很長的時間。深度學習模型訓練好以后，便可用于實時應(yīng)用，例如用于高級駕駛輔助系統(tǒng) (ADAS) 中進行行人偵測。

使用卷積神經(jīng)網(wǎng)絡(luò)進行圖像分類

卷積神經(jīng)網(wǎng)絡(luò) (CNN) 是目前比較熱門的一種深度學習架構(gòu)。神經(jīng)網(wǎng)絡(luò)由不同的層構(gòu)造而成，包含一系列互連的節(jié)點。CNN 對學習到的特征和輸入數(shù)據(jù)進行卷積運算，并使用二維卷積層，使此架構(gòu)非常適合用來處理二維數(shù)據(jù)（如圖像）。

遷移學習

訓練 CNN 需要相當大量的數(shù)據(jù)，因為對于典型的圖像分類問題，其需要學習幾百萬個權(quán)值。從頭開始訓練 CNN 的另一個常見做法是使用預先訓練好的模型自動從新的數(shù)據(jù)集提取特征。這種方法稱為遷移學習，是一種應(yīng)用深度學習的便捷方式，其無需龐大的數(shù)據(jù)集以及長時間的訓練。

使用 GPU 進行硬件加速

訓練深度學習模型可能會花費很長的時間，可能是幾天，也可能是幾周。使用 GPU 加速可以顯著提升處理速度。使用 GPU 可以減少訓練網(wǎng)絡(luò)所需的時間，并且可以將圖像分類問題所需的訓練時間從幾天縮短到幾個小時。