深度學習是什麽
深度學習是機器學習領域中對模式（聲音、圖像等等）進行建模的壹種方法，它也是壹種基於統計的概率模型。在對各種模式進行建模之後，便可以對各種模式進行識別了，例如待建模的模式是聲音的話，那麽這種識別便可以理解為語音識別。而類比來理解，如果說將機器學習算法類比為排序算法，那麽深度學習算法便是眾多排序算法當中的壹種（例如冒泡排序），這種算法在某些應用場景中，會具有壹定的優勢。
深度學習的“深度”體現在哪裏
論及深度學習中的“深度”壹詞，人們從感性上可能會認為，深度學習相對於傳統的機器學習算法，能夠做更多的事情，是壹種更為“高深”的算法。而事實可能並非我們想象的那樣，因為從算法輸入輸出的角度考慮，深度學習算法與傳統的有監督機器學習算法的輸入輸出都是類似的，無論是最簡單的Logistic Regression，還是到後來的SVM、boosting等算法，它們能夠做的事情都是類似的。正如無論使用什麽樣的排序算法，它們的輸入和預期的輸出都是類似的，區別在於各種算法在不同環境下的性能不同。
那麽深度學習的“深度”本質上又指的是什麽呢？深度學習的學名又叫深層神經網絡（Deep Neural Networks ），是從很久以前的人工神經網絡（Artificial Neural Networks）模型發展而來。這種模型壹般采用計算機科學中的圖模型來直觀的表達，而深度學習的“深度”便指的是圖模型的層數以及每壹層的節點數量，相對於之前的神經網絡而言，有了很大程度的提升。
深度學習也有許多種不同的實現形式，根據解決問題、應用領域甚至論文作者取名創意的不同，它也有不同的名字：例如卷積神經網絡（Convolutional Neural Networks）、深度置信網絡（Deep Belief Networks）、受限玻爾茲曼機（Restricted Boltzmann Machines）、深度玻爾茲曼機（Deep Boltzmann Machines）、遞歸自動編碼器（Recursive Autoencoders）、深度表達（Deep Representation）等等。不過究其本質來講，都是類似的深度神經網絡模型。
既然深度學習這樣壹種神經網絡模型在以前就出現過了，為什麽在經歷過壹次沒落之後，到現在又重新進入人們的視線當中了呢？這是因為在十幾年前的硬件條件下，對高層次多節點神經網絡的建模，時間復雜度（可能以年為單位）幾乎是無法接受的。在很多應用當中，實際用到的是壹些深度較淺的網絡，雖然這種模型在這些應用當中，取得了非常好的效果（甚至是the state of art），但由於這種時間上的不可接受性，限制了其在實際應用的推廣。而到了現在，計算機硬件的水平與之前已經不能同日而語，因此神經網絡這樣壹種模型便又進入了人們的視線當中。
“ 2012年6月，《紐約時報》披露了Google Brain項目，吸引了公眾的廣泛關註。這個項目是由著名的斯坦福大學機器學習教授Andrew Ng和在大規模計算機系統方面的世界頂尖專家Jeff Dean***同主導，用16000個CPU Core的並行計算平臺訓練壹種稱為“深層神經網絡”（DNN，Deep Neural Networks） ”
從Google Brain這個項目中我們可以看到，神經網絡這種模型對於計算量的要求是極其巨大的，為了保證算法實時性，需要使用大量的CPU來進行並行計算。
當然，深度學習現在備受關註的另外壹個原因，當然是因為在某些場景下，這種算法模式識別的精度，超過了絕大多數目前已有的算法。而在最近，深度學習的提出者修改了其實現代碼的Bug之後，這種模型識別精度又有了很大的提升。這些因素***同引起了深層神經網絡模型，或者說深度學習這樣壹個概念的新的熱潮。
深度學習的優點
為了進行某種模式的識別，通常的做法首先是以某種方式，提取這個模式中的特征。這個特征的提取方式有時候是人工設計或指定的，有時候是在給定相對較多數據的前提下，由計算機自己總結出來的。深度學習提出了壹種讓計算機自動學習出模式特征的方法，並將特征學習融入到了建立模型的過程中，從而減少了人為設計特征造成的不完備性。而目前以深度學習為核心的某些機器學習應用，在滿足特定條件的應用場景下，已經達到了超越現有算法的識別或分類性能。
深度學習的缺點
深度學習雖然能夠自動的學習模式的特征，並可以達到很好的識別精度，但這種算法工作的前提是，使用者能夠提供“相當大”量級的數據。也就是說在只能提供有限數據量的應用場景下，深度學習算法便不能夠對數據的規律進行無偏差的估計了，因此在識別效果上可能不如壹些已有的簡單算法。另外，由於深度學習中，圖模型的復雜化導致了這個算法的時間復雜度急劇提升，為了保證算法的實時性，需要更高的並行編程技巧以及更好更多的硬件支持。所以，目前也只有壹些經濟實力比較強大的科研機構或企業，才能夠用深度學習算法，來做壹些比較前沿而又實用的應用。