技术定义
通过多层可训练表示逐步提取和组合特征的机器学习方法。
深度学习利用多层模型学习表征。2006年的深度信念网络研究与2012年的大规模卷积分类工作分别体现训练方法和工程应用的发展；多层网络的历史更早。
现代深度学习并不都依赖逐层预训练。数据、架构、优化与算力共同影响效果，不能把规模增长视为可靠性的充分条件。
原理与影响
解决的问题
- 减少复杂任务中完全依赖手工特征设计的负担。
核心原理
- 多层变换学习逐级表示，并用学习目标联合调整参数。
相对前代的改进
暂无记录
技术意义
- 支撑视觉、语言和生成模型等多条技术路线。
历史与应用
人物
Geoffrey E. Hinton、Yoshua Bengio、Yann LeCun
组织
暂无记录
事件
暂无记录
典型应用
视觉识别、语言建模
留下的局限
- 训练与推理资源开销大，可能出现过拟合、脆弱性与解释困难。
上下游关系
上游
证据：A Fast Learning Algorithm for Deep Belief NetsImageNet Classification with Deep Convolutional Neural Networks
证据：Learning Representations by Back-propagating ErrorsImageNet Classification with Deep Convolutional Neural Networks
证据：Gradient-based Learning Applied to Document RecognitionImageNet Classification with Deep Convolutional Neural Networks
证据：A Fast Learning Algorithm for Deep Belief NetsImageNet Classification with Deep Convolutional Neural Networks
下游
证据：Deep Unsupervised Learning using Nonequilibrium ThermodynamicsDenoising Diffusion Probabilistic Models