深度学习(Deep Learning)是机器学习的一种，而机器学习是实现人工智能的必经途径。
目前大部分表现优异的AI应用都使用了深度学习技术，引领了第三次人工智能的浪潮。
一. 深度学习的概念
深度学习是机器学习中一种基于对数据进行表征学习的方法。
其属于机器学习的范畴，可以说是在传统神经网络基础上的升级，约等于神经网络。它的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
二. 深度学习的优缺点
传统机器学习的特征提取主要依赖于人工，针对特定简单任务的时候人工提取特征会简单有效，但是并不能通用。深度学习的特征提取并不依靠人工，而是机器自动提取的。
☆深度学习的主要优点如下：
优点1：学习能力强
从结果来看，深度学习具备很强的学习能力，表现非常好。
优点2：覆盖范围广，适应性好
深度学习的神经网络层数很多，宽度很广，理论上可以映射到任意函数，所以能解决很复杂的问题。
优点3：数据驱动，上限高
深度学习高度依赖数据，数据量越大，它的表现就越好。在图像识别、面部识别、NLP 等领域表现尤为突出。
优点4：可移植性好
由于深度学习的优异表现，很多框架都可以使用，例如 TensorFlow、Pytorch。这些框架可以兼容很多平台。
☆深度学习也是有缺点的：
缺点1：计算量大，便携性差
深度学习需要大量的数据与算力，所以成本很高。而且现在很多应用还不适合在移动设备上使用。目前已经有很多公司和团队在研发针对便携设备的芯片。
缺点2：硬件需求高
深度学习对算力要求很高，普通的CPU已经无法满足深度学习的要求。
缺点3：模型设计复杂
深度学习的模型设计非常复杂，需要投入大量的人力物力和时间来开发新的算法和模型。大部分人只能使用现成的模型。
缺点4：没有”人性”，容易存在偏见
由于深度学习依赖数据，并且可解释性不高。在训练数据不平衡的情况下会出现性别歧视、种族歧视等问题。
三. 3种典型的深度学习算法
卷积神经网络(CNN)、循环神经网络(RNN)、生成对抗网络(GAN)是3种典型的深度学习算法。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。
CNN在图像处理方面十分有优势，目前在图像分类检索、目标定位检测、目标分割、人脸识别、骨骼识别等领域有着广泛的应用。
循环神经网络是一类以序列数据为输入，在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。
在深度学习领域，RNN是一种能有效处理序列数据的算法。在文本生成、语音识别、机器翻译、生成图像描述、视频标记等领域有着广泛的应用。
生成对抗网络是一种深度学习模型，是最近两年十分热门的一种无监督学习算法。
GAN可以生成出非常逼真的照片、图像甚至视频，在生成图像数据集、生成人脸照片、图像到图像的转换、文字到图像的转换、图片编辑、图片修复等诸多领域有着广泛的应用。
