目前深度学习依旧火热，全世界开口闭口都是深度学习，感觉那深度学习已经充斥在我们周围的空气当中，
呼吸都不能错过，真是令我们沉迷其中无法自拔。那深度学习是不是无所不能呢？且来看看深度学习的适用场景：
1.适合掌握深度学习的任务应具备这样一些特点：
（1）具备大量样本数据。深度学习是数据驱动的模型，如果样本数据难以获取或者数量太少，我们认为就不适合深度学习技术解决
（2）样本数据对场景的覆盖度足够完善。深度学习模型的效果完全依赖样本数据表现，如果出现样本数据外的情况，模型的推广性会变差
（3）结果对可解释性的要求不高。如果应用场景不仅要机器能够完成某项任务，还需对完成过程有明确的可解释性，这样的场景就不那么适合深度学习。
了解了深度学习的适用场景之后，我们来了解一下如何应用深度学习去解决我们的任务。也就是深度学习的基本流程：
2.深度学习的基本流程
（1）模型搭建：我们可以自己搭建自己的模型，也可以根据任务利用经典的模型进行细微的调整。
（2）数据预处理：不管什么任务，数据的处理都是解决问题的很关键步骤。
（3）训练模型：有了模型、数据之后，则可以把数据喂给模型，让模型自行学习，直至模型收敛。
（4）结果可视化：在训练过程中，我们可以对一些指标进行可视化（比如loss的变化曲线等）辅助我们对已学习模型的判断。
也可以辅助模型的验证选择。
（5）测试（预测）：我们的最终目的就是利用模型对新的数据进行预测，