深度学习的本质是分类。

首先要定义类别，并把类型的特征描述下来，这就是神经网络模型。

把训练好的模型，放到实践中，得出分类结果，这就是算法的应用。

神经网络层次越深，分类越细腻，实际应用效果越好。给用户的感觉，算法越准确。

为什么深度学习算法，要求的算力很高呢？

深度学习算法用神经网络模型表示，二神经网络模式都是矩阵，矩阵运算比标量运算量大，要多个数相乘相加，才能得到矩阵中一个成员。再加上数据模型神经网络层次多，自然而然，深度学习算法对算力要求很高。

为什么有的深度学习算法只能在CPU上运行？

在CPU是编程的普及率高，容易上手，初期算法实现时，在CPU上进行。算法公司，为了将算法研发快速变现，算法只要能运行，就在市场上推广，因而出现了算法只能跑在CPU的情况。提高算法的效率，可以将算法移植到到GPU, DSP, NPU等适合并行运行的硬件单元上，单时间成本和技术成本高。短期内，尤其是小公司，无法承受或实现。

衡量深度学习算法的criteria？

不论深度学习算法，还是其他算法。都可以从时间复杂度上衡量。计算出结果的时间越短越好

空间复杂度，对应实现算法的硬件资源，占用越小越好

准确性，越准越好

健壮性/稳定性，不论什么应用场景，运行结果越稳定越好

维护性：逻辑越简单越好，可读性好，迭代周期越短越好

这几个衡量角度，是相互制约的，需要达到一个平衡点，算法才是最优。