收藏、推薦好文：
https://www.ituring.com.cn/book/tupubarticle/21427 第 1 章 深度學習介紹
https://blog.csdn.net/u010159842/article/details/78781347
https://www.cnblogs.com/jhding/p/5687696.html
https://blog.csdn.net/weixin_42137700/article/details/81610145
https://www.zhihu.com/question/20830906 （Deep Learning 可以用來做推薦系統嗎？）
http://imgtec.eetrend.com/blog/2018/100014190.html
https://blog.csdn.net/a819825294/article/details/53608141
https://wenku.baidu.com/view/58d6168916fc700aba68fc7d.html（卷積的深度信念網絡）
https://my.oschina.net/u/876354/blog/1626639（大話深度信念網絡（DBN））
https://max.book118.com/html/2017/1211/143675384.shtm
https://zhuanlan.zhihu.com/p/43139371
https://www.sohu.com/a/167221030_714863
http://m.elecfans.com/article/591242.html（什么是深度學習？有什么優點和缺點？）
深度學習所涉及的技術主要有：線性代數、概率和信息論、欠擬合、過擬合、正則化、最大似然估計和貝葉斯統計、隨機梯度下降、監督學習和無監督學習、深度前饋網絡、代價函數和反向傳播、正則化、稀疏編碼和dropout、自適應學習算法、卷積神經網絡、循環神經網絡、遞歸神經網絡、深度神經網絡和深度堆疊網絡、LSTM長短時記憶、主成分分析、正則自動編碼器、表征學習、蒙特卡洛、受限波茲曼機、深度置信網絡、softmax回歸、決策樹和聚類算法、KNN和SVM、生成對抗網絡和有向生成網絡、機器視覺和圖像識別、自然語言處理、語音識別和機器翻譯、有限馬爾科夫、動態規划、梯度策略算法和增強學習（Q－learning）等等。
深度學習的優點：深度學習提出了一種讓計算機自動學習出模式特征的方法，並將特征學習融入到了建立模型的過程中，從而減少了人為設計特征造成的不完備性。而目前以深度學習為核心的某些機器學習應用，在滿足特定條件的應用場景下，已經達到了超越現有算法的識別或分類性能。
深度學習的缺點：只能提供有限數據量的應用場景下，深度學習算法不能夠對數據的規律進行無偏差的估計。為了達到很好的精度，需要大數據支撐。由於深度學習中圖模型的復雜化導致算法的時間復雜度急劇提升，為了保證算法的實時性，需要更高的並行編程技巧和更多更好的硬件支持。因此，只有一些經濟實力比較強大的科研機構或企業，才能夠用深度學習來做一些前沿而實用的應用。
深度學習成功應用於計算機視覺、語音識別、記憶網絡、自然語言處理等其他領域。
圖1 通過識別各種組合（如輪廓、角，可以用邊緣來定義），此圖展示了深度學習系統如何顯示人的圖像。
圖片的轉載獲得了Ian Goodfellow、Yoshua Bengio和Aaron Courville的許可，來源於The MIT Press出版的Deep Learning一書
深度學習是機器學習的一個子領域。通過構建多層次的表征或從一系列簡單的表征和特征中學習一個具有層次結構的特征集，深度學習能夠解決表征學習的主要問題。
圖1對深度學習模型進行了說明。就像將一系列不同的像素值構成一幅圖像一樣，用計算機解碼這些原始的非結構化的輸入數據通常是一件很繁瑣的事。在理想情況下，轉換像素值來識別圖像的映射函數是很難實現的。此外，為這類映射直接訓練計算機幾乎是不可能的。為了應對這些類型的任務，深度學習會創建連接至期望輸出的一系列映射子集，以解決這類難題。映射的每個子集對應於模型的一個層。輸入層包含了可以觀察的變量，因此處於可見層。我們可以從給定的輸入中逐層提取數據的抽象特征。因為這些抽象的值在給定數據中是不可用或不可見的，所以這些層稱為隱藏層。
在圖1的第一隱藏層中，通過對相鄰像素進行比較學習，可以輕易地識別出邊緣。第二隱藏層可以將角和輪廓從第一隱藏層的邊緣中區分開來。基於描述角和輪廓的第二隱藏層，第三隱藏層可以識別特定對象的不同部分，最終可以從第三隱藏層中檢測出圖中存在的不同對象。