深度学习由许多层次结构层组成，以非线性方式处理信息，其中一些较低层次的概念有助于定义更高层次的概念。
深度学习定义为，
深度学习是一类机器学习技术，它利用多层非线性信息处理进行有监督或无监督的特征提取和转换，以及模式分析和分类。
浅层人工神经网络不能处理大量复杂数据，这在许多常规应用中是显而易见的，例如自然语音，图像，信息检索和其他类似人类的信息处理应用。建议对此类应用进行深度学习。通过深度学习，可以相对较少的努力识别，分类和分类机器数据中的模式。谷歌是实验深度学习的先驱，由Andrew Ng发起。
与浅层架构相比，深度学习提供了类似人的多层处理。深度学习的基本思想是使用多层架构进行分层处理。体系结构的层是分层排列的。在一些预训练之后，每个层的输入被提供给其相邻层。大多数时候，所选层的这种预训练是以无人监督的方式完成的。深度学习遵循分布式方法来管理大数据。该方法假定数据是在考虑众多因素，不同时间和不同水平的情况下生成的。深度学习有助于根据数据的时间（发生），级别或性质将数据安排和处理到不同的层。深度学习通常与人工神经网络相关。
有三类深度学习架构：
1.
（i）
生成的
2.
（ii）
判别
3.
（iii）
混合深度学习架构
体系结构属于生成类别，侧重于以无人监督的方式预先训练层。这种方法消除了培训较低级别体系结构的难度，这些体系结构在先前的层上进行中继。每个层都可以预先训练，然后包含在模型中，以进行进一步的一般调整和学习。这样做解决了多层次训练神经网络架构并实现深度学习的问题。神经网络架构可以通过将每层的输出与原始数据或各种信息组合堆叠而具有辨别处理能力，从而形成深度学习架构。描述性模型通常将神经网络输出视为给定输入序列的所有可能标签序列的条件分布，这将通过目标函数进一步优化。混合架构结合了生成和判别架构的特性。典型的深度学习可以如下完成。
・
构建一个由输入层和具有必要节点的隐藏层组成的网络
・
培训网络
・
在先前学习的网络的顶部添加另一个隐藏层以生成新网络
・
重新培训网络
・
重复添加更多图层，每次添加后重新训练网络（图 1）
图1 用于深度学习的ANN