在学习tensorflow，caffe和其他深度学习框架之前，您需要了解一些基本概念。本文记录了从零开始的新手首先需要了解的一些基本概念。人工智能，机器学习和深度学习人工智能（ArTIficial Intelligence）之间的关系为人类提供机器的智能和“强大的人工智能”。 （通用AI）：一台万能的机器，它具有我们所有的感知力（甚至比人类还多），我们所有的理性都可以像我们一样思考“弱人工智能”。 （狭窄的AI）：弱人工智能是一种可以执行特定任务（例如人类，甚至比人类更好）的技术。 。例如，Pinterest上的图像分类；或在Facebook上进行人脸识别。强大的人工智能是我们的愿景，而弱人工智能目前是可以实现的。机器学习-一种实现人工智能的方法。机器学习的最基本方法是使用算法来解析数据，从中学习，然后对现实世界中的事件做出决策和预测。深度学习-一种实现机器学习的技术可以通过神经网络来实现机器学习。深度学习可以简单地理解为使用深度架构（例如深度神经网络）的机器学习方法。当前的大多数深度架构都指的是深度神经网络。神经网络组成神经网络由许多神经元组成，每个圆圈是一个神经元，每条线代表神经元之间的连接。 x代表输入数据，y代表输出数据，w代表每层连接的权重。 w是构建神经网络后需要确定的。最左边的一层称为输入层，它负责接收输入数据。最右边的一层称为输出层。我们可以从这一层获得神经网络输出数据。输入层和输出层称为隐藏层。隐藏层的数量是可变的。简单的神经网络可能具有2-3层，而复杂的神经网络可能具有数百或数千层。具有更多隐藏层的层称为深度神经网络。与浅层网络相比，深层网络更具表现力，并且可以处理更多数据。但是深度网络的训练更加复杂。训练深度网络需要大量数据和技能。问题：假设计算速度足够快，那么深层网络越深越好吗？不是。深度网络越深，对体系结构和算法的要求越高。在克服架构和算法的瓶颈之后，增加深度是徒劳的。神经元（感知器）神经网络由单个神经元组成，神经元也由三部分组成。输入权重每个输入将对应一个权重w，并且还将有一个偏移值b。在图中就是w0。训练神经网络的过程实际上是确定权重w的过程。激活功能计算重量后，它将通过激活功能，然后输出。例如，我们可以使用阶跃函数f来表示激活函数。输出最终输出，即感知器的输出，可以使用此公式来表明神经元可以拟合任何线性函数，例如最简单的拟合和函数。 and函数的真值表如上图所示。取w1 = 0.5; w2 = 0.5 b = -0.8。在上面的示例中，激活函数由阶跃函数f表示。可以证明神经元此时可以表达和功能。如果输入第一行，x1 = 0，x2 = 0，则可以将y设为0，这是真值表的第一行。在数学意义上，可以通过这种方式来理解和函数的神经元。它代表线性分类问题，就像将分类0（错误，红叉）和分类1（真实，绿点）分开的直线一样。实际上，神经元可以在数学上理解为数据分割问题。神经元是将神经网络转化为数学问题的关键。例如，如果您需要训练神经网络作为分类器，则可以在数学上将输入参数（x1，x2 ...，xn）理解为m维坐标系上的n个点（假设x是m-元素向量），并且每个神经元都可以理解为拟合函数。以m为2，将其放在最简单的二维坐标系中以进行理解。