选择深度学习的原因主要包括以下几点：

处理大数据集的能力：

深度学习能够有效处理大规模数据集，并在这些数据上表现出色。它通过多层次的非线性变换能够更好地捕捉数据的复杂关系和特征。

自动特征学习：

传统的机器学习方法通常需要人工进行特征工程，而深度学习模型能够自动从原始数据中学习到有用的特征表示，从而简化了特征提取的过程。

无监督和半监督学习：

深度学习在无监督和半监督学习方面表现优异，适合于那些难以获取大量标注数据的任务。

强大的泛化能力：

深度学习模型在训练后能够适应新的、未见过的数据，具有很好的泛化能力。这使得它们在面对新领域、新任务时能够迅速适应并取得良好的效果。

多领域应用：

深度学习技术在计算机视觉、自然语言处理、语音识别、推荐系统等多个领域都取得了显著的成果，并且正在推动这些领域的发展。

硬件和计算能力的提升：

随着图形处理器（GPU）和专用加速卡（如TPU）的发展，深度学习的计算能力得到了大幅提升，使得训练深层神经网络变得更加高效。

开放源代码社区的支持：

深度学习拥有活跃的开源社区，提供了大量的资源和工具，促进了技术的快速发展和应用。

解决复杂问题的能力：

对于复杂的问题，如图像识别、自然语言理解和语音识别等，深度学习能够提供比传统机器学习方法更卓越的性能。

综上所述，深度学习之所以被广泛采用，是因为它在处理大规模数据、自动特征学习、无监督学习、泛化能力、多领域应用、计算能力提升以及开源社区支持等方面具有显著优势。这些特点使得深度学习成为解决复杂问题和推动人工智能技术发展的有力工具。