深度學習是機器學習的一個分支，其使用多個非線性的處理層直接從數據中學習有用的特征表現形式。深度學習模型可以在對象分類時達到高水平的精確度，有時甚至超出人類的表現。該模型通過使用大量的帶標簽數據以及包含許多層的神經網絡架構得到訓練。

深度學習可以用來解決各種問題，包括：

圖像分類

語音識別

自然語言處理

訓練深度學習模型

深度學習模型的準確性主要取決于用于訓練該模型的數據量。最準確的模型可能需要使用幾千個甚至幾百萬個樣本，因此訓練這種模型需要花很長的時間。深度學習模型訓練好以后，便可用于實時應用，例如用于高級駕駛輔助系統 (ADAS) 中進行行人偵測。

使用卷積神經網絡進行圖像分類

卷積神經網絡 (CNN) 是目前比較熱門的一種深度學習架構。神經網絡由不同的層構造而成，包含一系列互連的節點。CNN 對學習到的特征和輸入數據進行卷積運算，并使用二維卷積層，使此架構非常適合用來處理二維數據（如圖像）。

遷移學習

訓練 CNN 需要相當大量的數據，因為對于典型的圖像分類問題，其需要學習幾百萬個權值。從頭開始訓練 CNN 的另一個常見做法是使用預先訓練好的模型自動從新的數據集提取特征。這種方法稱為遷移學習，是一種應用深度學習的便捷方式，其無需龐大的數據集以及長時間的訓練。

使用 GPU 進行硬件加速

訓練深度學習模型可能會花費很長的時間，可能是幾天，也可能是幾周。使用 GPU 加速可以顯著提升處理速度。使用 GPU 可以減少訓練網絡所需的時間，并且可以將圖像分類問題所需的訓練時間從幾天縮短到幾個小時。