深度学习有哪些优点和缺点 深度学习使用的算法有哪些?

深度学习有哪些优点和缺点

深度学习的主要优点如下：
1：学习能力强
深度学习具备很强的学习能力。
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。
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。
4：出色的可移植性
由于深度学习的优异表现，很多框架都可以使用，而且这些框架可以兼容很多平台。
深度学习的缺点：
只能提供有限数据量的应用场景下，深度学习算法不能够对数据的规律进行无偏差的估计。为了达到很好的精度，需要大数据支撑。由于深度学习中图模型的复杂化导致算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧和更多更好的硬件支持。因此，只有一些经济实力比较强大的科研机构或企业，才能够用深度学习来做一些前沿而实用的应用。

深度学习使用的算法有哪些?

先列举一下在深度学习中，我们常见的优化算法有哪些：
最基本的如梯度下降(Gradient Descent)—— GD
然后还有一些GD的变体：
随机梯度下降法(Stochastic Gradient Descent)——SGD
小批量梯度下降——mini-batch GD
动量梯度下降——Momentum
均方根算法(root mean square prop) ——RMSprop
自适应矩估计(Adaptive Moment Estimation)——Adam

如何理解深度学习中的deconvolution networks

深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。