优点是模型形态极其灵活，因此在大样本的支持下，能对复杂数据，尤其是非结构化数据（例如图像、文本、语言）产生传统方法无法比拟的预测精度。但是深度神经网络模型缺点也很多，其中一个缺点在于计算量往往十分庞大。因为深度神经网络模型形态灵活，所以需要大量的参数。以经典的AlexNet模型为例，总共需要对约6100万个参数进行估计，因此需要海量的样本支持。海量样本与海量参数一起产生了海量的计算量，一般CPU无法承受，因此在计算中常常使用GPU来提升计算速度。深度神经网络模型的另一个缺点在于，当计算完成后，整个模型就是一个黑盒子，虽然大量的学者正在努力改善参数的可解释性，但目前仍然难以解读。