「深度學習自動優化技術」是依據類神經網路的結構，預測每一層的學習進度，並因應各層學習進度逐層自動設定正規化。透過這樣的技術，能夠優化整個類神經網路的學習情況，與傳統作法相比，更能降低20%的辨識錯誤率，辨識精準度有所改善。
以往進行深度學習（Deep Learning）時，依據類神經網路的構造來調整學習方式相當困難，所以無法在整個網路學習時達到最優化， 因而無法充分發揮原本的辨識效能。新發的深度學習自動優化技術搭配類神經網路學習的進度，因應其構造自動進行優化，能夠輕易達到比過去更高的辨識精準度。
運用新技術，在影像辨識及聲音辨識等運用深度學習技術的各個領域，能夠進一步提升辨識的精準度。例如，提升人臉辨識與行為解析等影像監控的辨識精準度，在基礎設施等處進行保養點檢時提升效率，更可望自動檢測出故障、事故或災害等情況。
依據類神經網路的結構，預測每一層的學習進度，並因應各層學習進度逐層自動設定正規化。透過這樣的技術，能夠優化整個類神經網路的學習情況，也解決了過去各層過度訓練、無法順利學習的問題。不僅如此，運用本技術進行辨識實驗，在辨識手寫數字的影像資料時，降低了約20%的辨識錯誤率，辨識精準度有所改善。
 |
| 針對各層類神經網路自動設定正規化的示意圖 |
在類神經網路進行深度學習之前，只須運行本技術一次，即使學習的計算量與過往相同，也能輕鬆達到高精準度。
 |
| 因應學習資料量變化的辨識錯誤率走勢圖 |