深度学习是一种可以自动学习到不同尺度的数据特征的方法。这些特征可以用于模式识别或数据分类等任务。譬如下图，显示了来自深度学习网络各层的特征样例——随着网络深度的增加，各层的特征图呈现了越来越高尺度的图像特征。较深的网络层可以学习到人眼可识别的特征，如一张脸。为了提取到合适的数据特征，深度网络可能需要含有数十个甚至上百个隐含层。

深度网络特征图

深度学习的本质是深层的人工神经网络（一种机器学习算法）。传统上，由于神经网络算法的缺点、训练数据不足或缺乏计算能力，神经网络只有浅层学习能力。但这种情况实现了完全逆转，使更多层网络的训练变得可行。连续的隐含层越多，网络便越深入。因此，称之为“深度学习”。

在大多数传统的机器学习方法中，原始数据不会被自动处理。通常，其处理过程需要基于大量的行业知识来手动设计某些特征提取方法。相反地，深度学习将原始数据作为输入，并自动查找进行模式识别或分类所需的特征。这种自动学习特征的能力使深度学习方法在各种普遍情况下非常有用。

找到适当的神经网络结构和识别决定网络训练性能的参数仍然是一个挑战。此外，ABB变频器理解深度学习模型学习了哪些特征并不容易。另外，与所有机器学习模型一样，深度学习模型也容易受到精心设计的输入的影响，它们可能导致模型产生错误推论。这些主题是当前深度学习研究工作的重点。

深度学习增强了图像识别功能

近期，深度学习在执行图像和语音识别等任务方面已取得巨大成功。深度学习的潜在影响不可低估，因为它将影响许多行业，并将为整个社会带来显著变化。