深度學(xué)習(xí)(Deep Learning )是近年來提出的一種利用具有多個隱層的深度 神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)完成學(xué)習(xí)任務(wù)的機器學(xué)習(xí)方法。其實質(zhì) 是,通過構(gòu)建具有多個隱層的神經(jīng)網(wǎng)絡(luò)模型并使用大量的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)得到 更有用的特征,進而提升模型預(yù)測或分類的準(zhǔn)確性。與以往的淺層神經(jīng)網(wǎng)絡(luò)的 不同之處在于,深度學(xué)習(xí)主要強調(diào)了神經(jīng)網(wǎng)絡(luò)的深度(通常有大于1層的隱層), 還突出了特征學(xué)習(xí)的重要性,從大數(shù)據(jù)中學(xué)習(xí)特征,這些特性可以刻畫數(shù)據(jù)豐 富的內(nèi)在信息。