除了图像识别之外，CNNS已经应用于自然语言处理，药物发现和玩耍。
自然语言处理（NLP）是深度学习的另一个主要应用领域。除了通过谷歌翻译解决的机器翻译问题之外，主要的NLP任务包括自动摘要，共同参考分辨率，话语分析，形态分割，命名实体识别，自然语言生成，自然语言理解，言语分配标记，情绪分析和语音识别。
除了CNN之外，NLP任务通常是用经常性神经网络（RNN）的解决，其包括长短期存储器（LSTM）模型。如前所述，在经常性神经网络中，神经元可以直接或间接地通过下一层影响自己。换句话说，RNN可以具有循环，这使其能够在处理序列时持续某些信息历史 - 而语言没有序列。LSTMS是一种特别有吸引力的RNN形式，具有一个更强大的更新方程和更复杂的重复模块结构。
跑步深入学习
不用说，深入的CNN和LSTMS通常需要严重的计算能力进行培训。请记住谷歌脑队如何需要几千GPU来训练新的A.I.谷歌版本翻译？这不是一个笑话。一个GPU需要三个小时的培训会议可能会采取30.CPU上的时间。此外，GPU的重要事项：对于最深入的学习包，您需要一个或多个CUDA兼容的NVIDIA GPU，内部内存有足够的内存来运行模型。
这可能意味着您需要在云中运行您的培训：AWS，Azure和Bluemix所有提供GPU的实例，就像这份写作一样，谷歌在2017年的早期就会提供GPU。
虽然最大的云GPU实例可以耗费14美元来运行，但有更便宜的替代品。具有单个GPU的AWS实例可以花费不到每小时1美元的费用，并且Azure Batch造船厂它使用NCS系列的GPU的实例使用NC系列的深度学习配方在计算池中运行您的培训，其中小型NC6实例为每小时90美分。
是的，你可以并且应该在你自己的计算机上安装你选择的深度学习包，以用于学习目的，无论它是否有合适的GPU。但是，当需要大规模训练模型时，您可能不想将自己限制在现场恰好拥有的硬件上。
深入学习
只需通过安装一个深入学习的包，尝试样本并阅读其教程，您可以简单地学习很多关于深度学习。有关更多深度，请考虑以下一个或多个资源：
- 神经网络和深度学习，由Michael Nielsen
- 神经网络简要介绍，由大卫kriesel
- 深度学习，由Yoshua Bengio，Ian Goodfellow，以及亚伦·古佛
- 机器学习课程，HalDauméIII
- 这Tensorflow Playground.，由Daniel Smilkov和Shan Carter
- 斯坦福CS类CS231N：用于视觉识别的卷积神经网络
相关文章
这个故事，“真正的深度学习意味着”最初是出版的InfoWorld. 。