深度學習技術在人工智慧領域目前佔有絕對的統治地位，因為相比於傳統的機器學習算法而言，深度學習在某些領域展現出了最接近人類所期望的智能效果，同時也在悄悄的走進我們的生活，例如刷臉支付、語音識別、智能翻譯、汽車上的智能輔助駕駛等等，這讓我們的生活開始慢慢智能化，那具體在哪些方向深度學習表現的最為耀眼吶？
1 計算機視覺
圖像識別：圖像識別是最早深度學習的應用領域之一，其本質是一個圖像分類問題，早在神經網絡剛剛出現的時候，美國人就實現了對手寫數字的識別，並進行了商業化，基本的原理就是輸入圖像，輸出為該圖像屬於每個類別的概率，例如輸入一種狗的圖片，我們就期望其輸出屬於狗這個類別的概率值最大，這樣我們就可以認為這張圖片拍的是一個狗。經典的圖像識別的網絡有VGG系列、Inception系列、ResNet系列等。
目標檢測：目標檢測就是通過深度學習網絡的訓練和學習，能夠自動找到圖片中目標的大致位置，通常用一個矩形邊界框來表示，並將邊界框所包含的目標進行圖像分類，目前比較優秀的目標檢測算法有：YOLO、SSD、RCNN、FastRCNN、FasterRCNN、MaskRCNN等系列算法。
語義分割：圖像分類是對整張圖片進行分類處理，而語義分割就是對圖片中每個像素進行分類處理，通過算法設計自動將圖片中不同物體的像素進行分類識別，準確的標註出物體在圖像的位置。常見的語義分割算法有FCN、U-net、SegNet、DeepLab等系列算法。
視頻理解：視頻可以理解為在二維圖像上加入了時間信息，變成了具有3維信息的圖像分析，視頻理解囊括了視頻分類、行為檢測等常見任務，常見的算法模型有C3D、TSN、DOVF、TS_LSTM等。
圖像生成：圖像採集一般都是通過相機等外界設備拍攝真實環境得來的，但通過一定的學習算法，可以從大量真實的圖片中學習到真實圖像的分布情況，進而生成具有與真實圖像高度相似的圖像，這就是圖像生成技術。目前最流行的技術有VAE系列和GAN，其中GAN系列發展迅猛。
超解析度圖像：超解析度圖像生成技術（SR）可以將觀測到的低分率的圖像重建出高分辨圖像，說白了就是通過軟體的方法提高圖像的解析度，這種技術目前也在各大手機攝像頭解析度上有所使用，一般我們看到的攝像頭解析度參數並不是實際物理成像sensor的解析度，都會加入數字解析度的。
藝術風格遷移：通俗點講就是學習一副畫的style，然後採用學習到的style，將一副內容圖像進行重畫，也是一個非常有意思的研究方向。
2 自然語言處理
機器翻譯：傳統的機器翻譯模型採用是基於統計分析的算法模型，可想而知，對於複雜的語言表達邏輯，效果並不佳，而基於深度學習的機器翻譯，讓機器翻譯出來的結果更加接近人類的表達邏輯，正確率得到了大大的提高，創建的機器翻譯模型有：Seq2Seq、BERT、GPT、GPT-2等。
聊天機器人：讓機器人能夠理解人類的語言，並作出一定的語言反應，進而達到人機對話的目的。聊天機器人已經廣泛的應用在諮詢系統、智能家居等。
3 強化學習
虛擬遊戲：在虛擬遊戲中，機器可以通過自我模擬，自我訓練，自我測試，讓機器在一定遊戲規則下，學習到好的戰勝策略。在圍棋界，Google訓練的DeepMindAlphaGo就戰勝了圍棋高手李世石，這讓深度學習輕鬆攻陷了人類自以為傲的思維頂端遊戲。
機器人：藉助深度學習的力量，機器人可以在真實複雜的環境中，可以代替人執行一定的特殊任務，如人員跟蹤、排爆等，這在過去是完全不可能的事。做的最好的要屬美國波士頓動力公司開發的機器人，其在複雜地形行走、肢體協調等方面取得了巨大的進步。
自動駕駛：現在很多網際網路大公司都在自動駕駛上投入了大量的資源，如國內的百度、美國的Google公司、Uber公司等，在自動駕駛中，就應用了大量的深度學習技術，如馬路線與路標的檢測、周邊行走車輛的3維信息等。