由于神经网络模型一般比较复杂，从输入到输出的信息传递路径一般比较长，所以复杂神经网络的学习可以看成是一种深度的机器学习，即深度学习。 神经网络和深度学习并不等价。
拆解落地过程中的复杂算法问题，就是移动端团队面临的首要挑战。 2.1 在服务器端和移动端应用深度学习技术的难点对比 通过对比服务器端的情况，更容易呈现移动端应用深度学习技术的难点，对比如下表所示。
深度学习算法可以让机器能够像人脑那样进行工作和处理数据，并高度依赖于人工神经网络，并基于人脑的结构 - 功能而工作。以下是十大值得关注的深度学习算法，希望能对你有所参考。 1.
下图展示了深度强化学习这8年来的里程碑成果，非常激动人心： 在这篇文章中，我们想探讨三个方面的内容： （1）深度强化学习当前的核心技术（2）深度强化学习需要解决的问题（3）深度强化学习未来可能的发展方向
这个报告讨论了将深度学习方法引入音频信号处理中的一些尝试和初步结果。 音频信号的深度学习处理方法 报告主要包括音频信号领域的研究方向介绍和将深度学习方法引入音频信号处理中的尝试和初步结果。
今天的课程只讲解监督学习的线性回归问题，这个经典的模型足以解释在深度学习中遇到的大部分基础问题。
对于绝大部分用户，仅需一行命令即可完成深度学习模型的服务部署工作。此外 Paddle Serving 提供了两种语言（Python/C++）编写的服务框架，方便深度用户选择自己熟悉的编程语言二次开发。
随着AI产业化落地应用的蓬勃发展，深度学习框架的关注度越来越高。近几年，国内产学联合持续发力，形成了一股国产深度学习框架的开源风潮。
关于模型适用范围的假设 答题卡：（可以直接复制到评论区进行答题哦）正确答案：1.2.3.4.5.6.7.8. 加入百度开发者社群： 欢迎加入百度开发者社群！
