深度学习的突破性进展得益于:A. 大规模数据集B. 反向传播算法优化C. 量子计算机发展D. GPU算力提升

本题考查深度学习突破性进展的相关知识。解题思路是对每个选项进行分析，判断其是否是深度学习取得突破性进展的原因。

• 选项A：大规模数据集
  大规模数据集为深度学习模型提供了丰富的学习素材。深度学习模型通常具有大量的参数，需要大量的数据来进行训练，以学习到数据中的复杂模式和特征。例如在图像识别领域，像ImageNet这样大规模的图像数据集，使得深度学习模型能够学习到各种不同物体的特征，从而在图像分类等任务上取得了很好的效果。所以大规模数据集是深度学习突破性进展的重要因素。
• 选项B：反向传播算法优化
  反向传播算法是深度学习中用于训练神经网络的核心算法之一。它通过计算损失函数关于网络中各个参数的梯度，然后根据梯度来更新参数，使得损失函数逐渐减小。随着算法的不断优化，如随机梯度下降（SGD）及其变种Adagrad、Adadelta、Adam等，能够更高效地更新参数，加快模型的训练速度和提高模型的性能。因此，反向传播算法的优化对深度学习的发展起到了关键作用。
• 选项C：量子计算机发展
  虽然量子计算机具有强大的计算能力，但目前量子计算机的发展还处于早期阶段，并且在深度学习领域，量子计算机还没有成为推动其突破性进展的主要因素。目前深度学习主要还是基于传统的计算机架构和计算资源进行训练和应用。所以该选项不符合要求。
• 选项D：GPU算力提升
  深度学习模型的训练通常需要大量的计算资源，尤其是矩阵运算。GPU（图形处理器）具有强大的并行计算能力，能够显著加速深度学习模型的训练过程。相比于CPU，GPU可以同时处理多个计算任务，大大缩短了训练时间。例如，在训练大规模的卷积神经网络（CNN）时，使用GPU可以将训练时间从数周甚至数月缩短到数天或数小时。因此，GPU算力的提升是深度学习取得突破性进展的重要支撑。