主要声称的好处：

(1)不需要为非线性学习问题手工设计特征（节省时间并且可扩展到未来，因为手工工程被某些人视为短期创可贴）

(2)学习到的特征有时比最好的手工设计的特征更好，并且可能非常复杂（计算机视觉 - 例如面部特征），以至于需要太多的人工时间来设计。

(3)可以使用未标记的数据对网络进行预训练。假设我们有 1000000 张未标记图像和 1000 张标记图像。现在，我们可以通过深度学习对 1000000 张未标记的图像进行预训练，从而极大地改进监督学习算法。此外，在某些领域，我们有很多未标记的数据，但很难找到标记的数据。一种可以使用这些未标记数据来改进分类的算法是有价值的。

(4)从经验上看，打破了许多在引入深度学习方法之前才看到增量改进的基准。

(5)相同的算法适用于具有原始（可能具有少量预处理）输入的多个领域。

(6)随着更多数据被输入网络（假设平稳分布等），不断改进。

除上述之外的另一个重要点（我没有足够的代表仅将其添加为评论）是它是一个生成模型（至少是 Deep Belief Nets），因此您可以从学习的分布中采样 - 这可以在您想要生成与学习的类/集群相对应的合成数据的某些应用程序中具有一些主要优势。