计算能力

首先，深度神经网络复杂，训练数据多，计算量大。深度神经网络中神经元多，神经元间连接数量也相当惊人。从数学的角度看，每个神经元都要包含数学计算（如Sigmoid、ReLU或者Softmax函数），需要估计的参数量也极大。语音识别和图像识别应用中，神经元达数万个，参数数千万，模型复杂导致计算量大。所以计算能力是深度学习应用的基础。

计算能力越强，同样时间内积累的经验就越多、迭代速度也越快,计算能力这种对于深度学习的支撑与推动作用是不可替代的。

算法

在计算能力变得日益廉价的今天，深度学习试图建立大得多也复杂得多的神经网络，我们可以把算法理解为深度学习的神经网络或是计算思维，这种神经网络越复杂，捕捉到的信号就越精确，目前比较常见的算法包括深度信念网络（Deep Belief Networks）、卷积神经网络（ConvolutionalNeural Networks）、受限玻尔兹曼机（Restricted BoltzmannMachine）