深度學習模型區別於早期的人工神經網絡的是增加模型訓練的層次。
1、深度學習的相關概念。
深度學習的概念由Hinton等人於2006年提出。基於深信度網(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。
此外Lecun等人提出的卷積神經網絡是第壹個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。
2、人工神經網絡的相關概念。
人工神經網絡（Artificial Neural Network，ANN）是壹種受到人腦神經元網絡結構啟發的計算模型。它由多個人工神經元（節點）組成，並通過連接權重來模擬神經元之間的信息傳遞。
人工神經網絡通常分為多個層次，包括輸入層、隱藏層和輸出層。輸入層接收外部數據，隱藏層在輸入數據和最終輸出之間進行信息處理和特征提取，輸出層對最終的結果進行預測或分類。
人工神經網絡的應用：
1、圖像識別和計算機視覺。
人工神經網絡在圖像分類、目標檢測、人臉識別等計算機視覺任務中表現出色。例如，卷積神經網絡（Convolutional Neural Network，CNN）在圖像識別和圖像分割領域廣泛應用。
2、語音識別和自然語言處理。
循環神經網絡（Recurrent Neural Network，RNN）和長短時記憶網絡（Long Short-Term Memory，LSTM）等神經網絡模型在語音識別和自然語言處理任務中有重要的應用。例如，語音助手和智能聊天機器人的開發就使用了這些技術。
3、數據挖掘和預測分析。
人工神經網絡在數據挖掘和預測分析中起到重要作用。它們可以用於預測銷售趨勢、股票價格、疾病診斷等。例如，循環神經網絡被用於時間序列數據的預測分析任務。