许多组织开始越来越多地转向深度学习，因为它支持计算机进行独立学习和执行任务，几乎无需任何监督，从而可为科学和工业领域带来诸多非凡的优势。与传统的机器学习不同，深度学习试图通过创建人造的“神经网络”来模拟人类大脑学习和处理信息的方式，以便从数据中提取复杂的概念和关系。深度学习模型在对图片、文本、声音和其他数据进行复杂模式识别方面进行了改进，能够生成更准确的见解和预测。
使用云计算进行深度学习，您可以轻松获取和管理大型数据集以训练算法，并且可以使用 GPU 处理能力以更低的成本有效扩展深度学习模型。通过利用分布式网络，在云中进行深度学习让您可以更快地设计、开发和培训深度学习应用程序。
深度学习算法专为快速学习而构建。通过使用 GPU 和 CPU 集群针对计算密集型任务执行复杂的矩阵运算，用户可以加快深度学习模型的训练。然后部署这些模型来处理海量数据，并生成相关性越来越高的结果。
诸如 Apache MXNet、TensorFlow、Microsoft Cognitive Toolkit、Caffe、Caffe2、Theano、Torch 和 Keras 之类的深度学习框架均可以在云上运行，让您可以使用最适合您使用案例的深度学习算法的打包库，无论它是用于网页、移动还是连接设备。
深度学习非常适合各种各样的人工智能使用案例，例如：
通过训练具有数百万个标记图像的算法，深度学习神经网络能够以相当于甚至高于人类神经网络的水平成功识别出多种对象，从而实现快速面部识别等高级功能。
人类各种各样的语音模式和口音使得计算机的语音识别非常困难。深度学习算法可以更轻松地确定语音内容。这一功能如今已应用于 Amazon Alexa 和其他虚拟助手。
深度学习有助于计算机理解日常对话，在这类对话中，语调和语境对于传达潜在含义至关重要。利用可以检测情绪的算法，自动化系统 (如客户服务机器人) 可以有效辨认和响应用户的语音。
深度学习所获取的早期成功，是开发出了可以跟踪用户活动以提供个性化建议的系统。通过比较众多用户的总体活动，深度学习系统甚至可以识别出可能会令用户感兴趣的全新项目。
了解 TuSimple 如何为自动车辆构建深度智能。更多 >
您可以使用 Amazon SageMaker 这个可以轻松快速地大规模构建、训练和部署机器学习模型的 AWS 平台，开始享受完全托管体验。您还可以使用 AWS Deep Learning AMI 来构建自定义的机器学习环境和工作流程。