在計算能力變得日益廉價的今天，深度學習試圖建立大得多也復雜得多的神經網絡，我們可以把算法理解為深度學習的神經網絡或是計算思維，這種神經網絡越復雜，捕捉到的信號就越精確，目前比較常見的算法包括深度信念網絡（Deep Belief Networks）、卷積神經網絡（ConvolutionalNeural Networks）、受限玻爾茲曼機（Restricted BoltzmannMachine）和堆棧式自動編碼器（Stacked Auto-encoders），以深度卷積神經網絡為代表的監督學習方法目前來說是最有效也是使用最多的。

　　但目前問題在于大家把專注度放在了數據與運算，因為神經網絡本身差異不會很大，并且神經網絡的核心算法提升起來太困難，仍然面臨著像局部最優問題、代價函數與整個神經網絡系統的設計等問題，但這也給眾多創業公司以新的思路，何不反其道而行之，避開那載著千軍**將算法優化，前途也是不可限量的。