深度學習以不少于兩個隱含層的神經網絡對輸入進行非線性變換或表示學習的技術，通過構建深層神經網絡，進行各項分析活動。深層神經網絡由一個輸入層，數(shù)個隱層，以及一個輸出層構成。每層有若干個神經元，神經元之間有連接權重。每個神經元模擬生物的神經細胞，而結點之間的連接模擬神經細胞之間的連接。總結起來是這個樣子的：

　　這種流向圖的一個特別屬性是深度(depth)：從一個輸入到一個輸出的最長路徑的長度。深度學習并非一個新的概念，但在2006年由Hinton等人引領了一波爆發(fā)。然而近年來雖然許多人都在談論深度學習，但這項技術在實際應用時到底有哪些坑?創(chuàng)辦一家成熟的依賴深度學習的公司需要哪些要素?下面我們將來重點講解下深度學習之計算能力。

　　計算能力

　　首先，深度神經網絡復雜，訓練數(shù)據多，計算量大。深度神經網絡中神經元多，神經元間連接數(shù)量也相當驚人。從數(shù)學的角度看，每個神經元都要包含數(shù)學計算(如Sigmoid、ReLU或者Softmax函數(shù))，需要估計的參數(shù)量也極大。語音識別和圖像識別應用中，神經元達數(shù)**夠支持深度神經網絡中圖像、語音、文字、控制等方面的任務而不是去做所有事情，這樣比在CPU上用軟件要高效，會提高2-3個數(shù)量級。