深度学习中的无监督学习涉及训练模型来识别数据中的模式或结构，而不依赖于标记的示例。与监督学习（模型从输入-输出对中学习）不同，无监督方法使用原始的、未注释的数据。深度学习架构，例如具有多层的神经网络，在这里特别有效，因为它们可以自动学习数据的分层表示。例如，自编码器（一种神经网络）将输入数据压缩到较低维度的潜在空间，然后重建它。这个过程迫使网络捕获数据的重要特征，这对于降维或异常检测等任务非常有用。通过利用深度网络建模复杂关系的能力，无监督技术可以揭示简单算法可能遗漏的隐藏模式。
一种常见的应用是在生成模型中，例如生成对抗网络 (GAN) 或变分自编码器 (VAE)。例如，GAN 使用两个神经网络：一个生成器，用于创建合成数据；一个判别器，用于区分真实数据和虚假数据。通过对抗训练，生成器学习在没有显式标签的情况下生成真实的样本。类似地，聚类（一种经典的无监督任务）可以通过深度学习来增强。深度嵌入聚类 (DEC) 等技术使用神经网络将数据转换为潜在空间，在该空间中，集群更易于分离。例如，在图像上训练的网络可能会学习按视觉相似性（例如，动物与车辆）对它们进行分组，而无需告知类别是什么。这些方法展示了深度学习如何通过处理图像、音频或文本等高维数据来放大无监督任务。
无监督深度学习也在预训练和迁移学习中发挥着关键作用。像 BERT（用于文本）或 SimCLR（用于图像）这样的模型首先在大量未标记的数据上进行训练，以学习一般特征，然后在较小的标记数据集上进行微调以完成特定任务。当标记数据稀缺时，这种方法尤其有价值。例如，自监督模型可能会预测图像中缺失的部分（例如，屏蔽和重建补丁）以学习有用的视觉特征。另一个例子是工业系统中的异常检测，在这种情况下，在正常操作数据上训练的模型可以标记偏差，而无需标记故障示例。通过将无监督学习的可扩展性与深度网络的表示能力相结合，开发人员可以构建强大的系统，以适应不同的数据类型和现实世界的约束。