在計(jì)算能力變得日益廉價(jià)的今天，深度學(xué)習(xí)試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)，我們可以把算法理解為深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)或是計(jì)算思維，這種神經(jīng)網(wǎng)絡(luò)越復(fù)雜，捕捉到的信號(hào)就越精確，目前比較常見的算法包括深度信念網(wǎng)絡(luò)（Deep Belief Networks）、卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeural Networks）、受限玻爾茲曼機(jī)（Restricted BoltzmannMachine）和堆棧式自動(dòng)編碼器（Stacked Auto-encoders），以深度卷積神經(jīng)網(wǎng)絡(luò)為代表的監(jiān)督學(xué)習(xí)方法目前來說是最有效也是使用最多的。

　　但目前問題在于大家把專注度放在了數(shù)據(jù)與運(yùn)算，因?yàn)樯窠?jīng)網(wǎng)絡(luò)本身差異不會(huì)很大，并且神經(jīng)網(wǎng)絡(luò)的核心算法提升起來太困難，仍然面臨著像局部最優(yōu)問題、代價(jià)函數(shù)與整個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)的設(shè)計(jì)等問題，但這也給眾多創(chuàng)業(yè)公司以新的思路，何不反其道而行之，避開那載著千軍**將算法優(yōu)化，前途也是不可限量的。