Deep learning allows computational

Deep learning allows computational models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. These methods have dramatically improved the state-of-the-art in speech recognition, visual object recognition, object detection and many other domains such as drug discovery and genomics. Deep learning discovers intricate structure in large data sets by using the backpropagation algorithm to indicate how a machine should change its internal parameters that are used to compute the representation in each layer from the representation in the previous layer. Deep convolutional nets have brought about breakthroughs in processing images, video, speech and audio, whereas recurrent nets have shone light on sequential data such as text and speech.

結果 (繁體中文) 1:

深度學習允許由多個處理層的計算模型，以了解數據的表示與多級抽象。這些方法已顯著提高的狀態的最先進的語音識別，視覺對象識別，對象檢測和許多其它領域，例如藥物發現和基因組學。深學習發現的複雜結構在大的數據集，通過使用BP算法以指示機應如何改變其用於計算在從前面的層中的表示中的每個層中的表示其內部參數。深卷積網帶來了在處理圖像，視頻，語音和音頻的突破，而經常網對連續的數據，如文本和語音閃閃發光光。

結果 (繁體中文) 2:

深度學習允許由多個處理層組成的計算模型來學習具有多個抽象級別的資料表示形式。這些方法極大地改進了語音辨識、視覺物件識別、物體檢測和許多其他領域（如藥物發現和基因組學）的最先進的技術。深度學習通過使用反向傳播演算法來指示電腦應如何更改其內部參數，這些參數用於從上一個中的表示形式計算每一層中的表示形式，從而發現大型資料集中的複雜結構層。深度卷積網在圖像、視頻、語音和音訊的處理上取得了突破性進展，而迴圈網路則對文本和語音等連續資料進行了照射。

結果 (繁體中文) 3:

深度學習允許由多個處理層組成的計算模型學習具有多個抽象層次的數據表示。這些方法極大地提高了語音辨識、視覺目標識別、目標檢測以及藥物發現和基因組學等許多領域的科技水准。深度學習通過使用反向傳播算灋發現大型數據集中的複雜結構，以訓示機器應如何更改其內部參數，這些參數用於從上一層的表示計算每一層的表示。深度卷積網絡在處理影像、視頻、語音和音訊方面取得了突破性進展，而遞迴網絡則對文字和語音等序列數據有著重要的影響。