深度学习实际就是指训练一个规模较大的神经网络：

监督学习：

Standard NN：

Convolutional NN:

Recurrent NN:

输入数据:结构化数据（具有一个明确含义的数据）,非结构化数据（音频、图像，文本等等内容。其特征可能是图像中的像素信息或者是文本中的内容等）

深度学习飞速发展原因：

1 数据量的大爆发
2 GPU等硬件设备带来的计算效率的飞速增长
3 一些优秀的算法提出。

横轴表示的是训练的数据量（有标签的数据），纵轴则表示的是算法的性能。

红色曲线：机器学习方法，例如支持向量机或者逻辑回归等，
当你的训练集不足时，一个更好的方式是自己去选择一些特征而不是直接用大规模网络进行训练。而当你的训练集很大时，使用大规模的神经网络进行训练通常会比手工选取特征性能要好的多。

发挥深度学习优势需要满足以下三点：
1 足够的数据量：若数据量不足，则无法发挥深度学习的优势
2 足够的计算能力：若计算能力不足，则无法快速训练得到模型，不具备实际意义。
3 优秀的算法：优秀的算法可以在相同的数据量和计算能力时，得到更好的性能。同时，一些算法也可以简化计算，提高计算效率，例如用ReLU替换sigmod函数。

深度学习整理流程：
1 提出一个想法
2 编程进行实现
3 训练得到模型并验证算法性能
4 分析并提出新的想法进行改进

此文章为重点内容摘要，详细内容来自：https://www.missshi.cn/api/view/blog/59a6ad66e519f50d040000a8