深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，其使用多個(gè)非線性的處理層直接從數(shù)據(jù)中學(xué)習(xí)有用的特征表現(xiàn)形式。深度學(xué)習(xí)模型可以在對象分類時(shí)達(dá)到高水平的精確度，有時(shí)甚至超出人類的表現(xiàn)。該模型通過使用大量的帶標(biāo)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(xùn)練。

深度學(xué)習(xí)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(xùn)練深度學(xué)習(xí)模型

深度學(xué)習(xí)模型的準(zhǔn)確性主要取決于用于訓(xùn)練該模型的數(shù)據(jù)量。最準(zhǔn)確的模型可能需要使用幾千個(gè)甚至幾百萬個(gè)樣本，因此訓(xùn)練這種模型需要花很長的時(shí)間。深度學(xué)習(xí)模型訓(xùn)練好以后，便可用于實(shí)時(shí)應(yīng)用，例如用于高級駕駛輔助系統(tǒng) (ADAS) 中進(jìn)行行人偵測。

使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)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(xué)習(xí)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(diǎn)。CNN 對學(xué)習(xí)到的特征和輸入數(shù)據(jù)進(jìn)行卷積運(yùn)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(xué)習(xí)

訓(xùn)練 CNN 需要相當(dāng)大量的數(shù)據(jù)，因?yàn)閷τ诘湫偷膱D像分類問題，其需要學(xué)習(xí)幾百萬個(gè)權(quán)值。從頭開始訓(xùn)練 CNN 的另一個(gè)常見做法是使用預(yù)先訓(xùn)練好的模型自動(dòng)從新的數(shù)據(jù)集提取特征。這種方法稱為遷移學(xué)習(xí)，是一種應(yīng)用深度學(xué)習(xí)的便捷方式，其無需龐大的數(shù)據(jù)集以及長時(shí)間的訓(xùn)練。

使用 GPU 進(jìn)行硬件加速

訓(xùn)練深度學(xué)習(xí)模型可能會(huì)花費(fèi)很長的時(shí)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(xùn)練網(wǎng)絡(luò)所需的時(shí)間，并且可以將圖像分類問題所需的訓(xùn)練時(shí)間從幾天縮短到幾個(gè)小時(shí)。