深度学习常用于计算机视觉、对话式 AI 和推荐系统等应用。计算机视觉应用使用深度学习从数字图像和视频中获取知识。对话式 AI 应用程序能够帮助计算机通过自然语言实现理解和交流能力。推荐系统使用图像、语言和用户兴趣来提供有意义且相关的搜索结果和服务。

深度学习正在应用于自动驾驶汽车、智能私人助理和更智能的网络服务。先进的团队和组织都在使用欺诈检测和供应链现代化等深度学习应用程序。

深度学习算法有许多不同的变体，比如以下几种：

    只将信息从一层向前馈送至下一层的人工神经网络称为前馈人工神经网络。多层感知器 (MLP) 是一种前馈 ANN，由至少三层节点组成：输入层、隐藏层和输出层。MLP 擅长使用已标记的输入进行分类预测。它们是可应用于各种场景的灵活网络。 卷积神经网络是识别物体的图像处理器。在某些情况下，CNN 图像识别表现优于人类，包括识别猫、血液中的癌症迹象以及 MRI 扫描影像中的肿瘤。CNN 已成为当今自动驾驶汽车、石油勘探和聚变能源研究领域的点睛之笔。在医疗健康方面，它们可以加快医学成像发现疾病的速度，并且更快速地挽救生命。 时间递归神经网络是解析语言模式和序列数据的数学工具。 这些网络正在推动一场基于语音的计算革命，并为 Amazon Alexa、Google Assistant 和 Apple Siri 提供能够实现听力和语音的自然语言处理的大脑。它们还为 Google 的自动完成功能提供了预见性魔力，可以自行填写搜索查询中的行。 RNN 应用程序不仅限于自然语言处理和语音识别。其还可用于语言翻译、股票预测和程序化交易。 为检测金融欺诈，可以使用 RNN 对异常支出模式进行红色标记，RNN 尤其擅长猜测一系列数据中接下来的变化。美国运通已部署基于深度学习的模型，这些模型已使用 NVIDIA® TensorRT™ 进行优化，并运行在 NVIDIA Triton™ 推理服务器上，以检测欺诈。