目錄
現在各種名詞非常火，什么人工智能、機器學習、深度學習，那么我要學習它，當然是要在一個大的方向、輪廓上看到它。比如爬一座山，先遠遠的看看，對它有一個大致的了解。
好了，先上一張圖，遠遠的看一下：
嗯嗯，這么一看是不是清楚了很多呢？再來一張：
概念
深度學習（人工神經網絡的研究的概念），英文：Deep Learning，簡稱：DL。
PS：看到ML、DL不要再理解成Make Love、Do Love哦！還清晰的記得有個小伙伴看到HTML問我，這是“How To Make Love？”。
以下內容來自百科：
深度學習的概念源於人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。
深度學習的概念由Hinton等人於2006年提出。基於深度置信網絡(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。
深度學習是機器學習中一種基於對數據進行表征學習的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實例中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工獲取特征。深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。
同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分．不同的學習框架下建立的學習模型很是不同．例如，卷積神經網絡（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。
釋意
看完概念你懂了嗎？我是沒懂。
在理解深度學習之前我們要先了解兩個概念，機器學習和神經網絡。
機器學習
簡單的說機器學習就是讓機器去分析數據找規律，並通過找到的規律對新的數據進行處理。
機器學習理論主要是設計和分析一些讓計算機可以自動“學習”的算法。機器學習算法是一類從數據中自動分析獲得規律，並利用規律對未知數據進行預測的算法。因為學習算法中涉及了大量的統計學理論，機器學習與推斷統計學聯系尤為密切，也被稱為統計學習理論。算法設計方面，機器學習理論關注可以實現的，行之有效的學習算法。很多推論問題屬於無程序可循難度，所以部分的機器學習研究是開發容易處理的近似算法。
神經網絡
神經網絡簡單點將就是由好多個神經元組成的系統。這是模擬人類的神經網絡。
神經元是一個簡單的分類器，你輸入一個
比如我們有一大堆貓、狗照片，把每一張照片送進一個機器里，機器需要判斷這幅照片里的東西是貓還是狗。我們把貓狗圖片處理一下，左邊是狗的特征向量，右邊是貓的
神經元一個缺點是：它只能切一刀！你給我說說一刀怎么能把下面這兩類分開吧。
解決辦法是多層神經網絡，底層神經元的輸出是高層神經元的輸入。我們可以在中間橫着砍一刀，豎着砍一刀，然后把左上和右下的部分合在一起，與右上的左下部分分開；也可以圍着左上角的邊沿砍10刀把這一部分先挖出來，然后和右下角合並。
每砍一刀，其實就是使用了一個神經元，把不同砍下的半平面做交、並等運算，就是把這些神經元的輸出當作輸入，后面再連接一個神經元。這個例子中特征的形狀稱為異或，這種情況一個神經元搞不定，但是兩層神經元就能正確對其進行分類。
只要你能砍足夠多刀，把結果拼在一起，什么奇怪形狀的邊界神經網絡都能夠表示，所以說神經網絡在理論上可以表示很復雜的函數/空間分布。但是真實的神經網絡是否能擺動到正確的位置還要看網絡初始值設置、樣本容量和分布。
深度學習
那什么是深度學習呢？深度學習簡單點說就是一種為了讓層數較多的多層神經網絡可以訓練，能夠運行起來而演化出來的一系列的新的結構和新的方法。
就像下圖
普通的神經網絡可能只有幾層，深度學習可以達到十幾層。深度學習中的深度二字也代表了神經網絡的層數。現在流行的深度學習網絡結構有"CNN(卷積神經網絡)、RNN(循環神經網絡)、DNN(深度神經網絡)的等。現在流行的深度學習框架有MXnet,tensorflow,caffe等，而在這些框架之上(或許不太准確)，還有PyTorch，Keras等。
應用場景
深度學習目前的行業應用、一些標志性公司、代表性的技術等
語音識別技術：國內公司訊飛、百度、阿里，國外公司亞馬遜，微軟等，行業應用就是智能音箱等產品。
圖像識別技術：比如做安防的海康威視，圖森科技，依圖科技，曠視科技，代表性的就是面部識別，人臉識別，刷臉解鎖、支付等。
自動駕駛技術：比如特斯拉，uber，百度等公司開發的。
金融領域的如：預測股價、醫療領域的疾病監測，教育領域的技術賦能等。
小結
看山是山，這里我們弄明白它屬於機器學習，而機器學習屬於人工智能，而人工智能呢？也就是由人來實現的東西，智能本不是機器的，而是人的；是人通過一些技術手段賦予機器的，而賦予它的一個強有力的方法就是深度學習。而深度學習中的神經網絡模型，其設計靈感來自於生物神經網絡。歷史上，科學家一直希望模擬人的大腦，造出可以思考的機器。人為什么能夠思考？科學家發現，原因在於人體的神經網絡。
神經網絡似乎是比較難懂的，我們還要去再學習一下生物課程嗎？
推薦你看一下阮一峰老師寫的：神經網絡入門
下一篇：