我想你说的深度学习后期可能指的是研究生的后期研究阶段。
深度学习，在西方指的是关于知识的本质联系、规律方面的学习、探究，在中国还包含知行合一，技与道结合的学习意义。我估计你说的是前者。
进入深度学习后期，实质上应该表现为：①专业知识的梳理、整合，推陈出新，有理论突破或创新；②跨学科专业知识的重组、运用；③专业知识的创新性实践。
一个人的专业发展要考虑的要素：①兴趣②个人特长③专业基础④国家需要⑤市场变化与需要⑥社会发展趋势(含生活方式、生产方式)。
社会上有种观点，认为一个人要适应社会的变化和发展需要，能够胜任多个职业。还有一个观点，认为大学培养出专业人才是失败的。这些论调忽视了两个问题：①任何领域的创新都需要知识的定向积累，灵感、顿悟也不例外。②专业学习与学习力的培养并不矛盾。专业人才就一定没有胜任多门职业的学习力吗？
综上所述，深度学习后期要选择自己的研究方向，必须综合评估自己的兴趣、才能、社会关系，社会需要、学术发展方向等，要有气度和眼光。小心方向不对，努力白费。
深度学习其实是指在多层神经网络上运用各种机器学习算法来解决图像、文本、语音等问题的算法集合，旨在提取更加抽象的高层特征。从本身结构研究来说，主要有：
基于监督学习的卷积神经网络、循环神经网络以及普通深度神经网络；基于无监督学习的深度生成模型（玻尔兹曼机、DBN、生成式对抗网络）、自编码器；优化训练、小样本训练；迁移学习与神经网络结合；强化学习；图模型等等。
从应用领域来说，主要研究方向有：
1. 计算机视觉：图像分类、目标检测、目标跟踪、语义分割、人脸识别与分析、图像/视频搜索、文字识别等方向；
2. 语音识别，语音增强，语音合成等；
3. 自然语言处理，主要有机器翻译、文本挖掘、语义分析、信息检索抽取、问答系统等。
还有深度学习应用在视频分析、大数据、机器人方向。目前深度学习应用很广泛，性能很高，但也存在这几个问题，比如：有时很难获取大量监督数据或标注成本高，如何适应小样本训练；如何有效的进行大规模的并行计算和训练；一般特定的问题和数据，需要定制网络结构，如何研究通用深度学习模型等等，这些都是未来的研究方向。
版权声明：本文来自用户投稿，不代表【闪电鸟】立场，本平台所发表的文章、图片属于原权利人所有，因客观原因，或会存在不当使用的情况，非恶意侵犯原权利人相关权益，敬请相关权利人谅解并与我们联系（邮箱：dandanxi6@qq.com）我们将及时处理，共同维护良好的网络创作环境。