我们清楚地认识到人工智能（AI）是一门科学，机器学习（ML）是当前最主流的人工智能实现方法，而深度学习（DL）是机器学习（ML）的一个分支，也是最新的一种流行类型机器学习（ML）。深度学习是机器学习领域中非常热门的概念。经过媒体和大V等的炒作，这个概念几乎成了一种神话般的感觉。让我慢慢地揭露深度学习的奥秘。 ton＿ ＾深度学习的概念是由Hinton等人提出的。在2006年，基于深度信念网络（DBN），提出了一种无监督的贪婪逐层训练算法，这为解决与深度结构有关的优化问题，进而解决多层的深度结构带来了希望。提出了自动编码器。另外，由Lecun等人提出的卷积神经网络。是第一个真正的多层结构学习算法，它使用空间相对关系来减少参数的数量以提高训练性能。那么深度学习到底是什么呢？深度学习（DL）是一种基于数据表示的机器学习方法。这是一种可以模拟人脑神经结构的机器学习方法。深度学习的概念来自人工神经网络的研究。人工神经网络ANN（ArTIficial Neural Network）从信息处理的角度抽象出人脑神经元网络，建立了一定的简单模型，并根据不同的连接方法形成了不同的网络，称为神经网络或类似的神经网络。因此，深度学习也称为深度神经网络DNN（Deep Neural Networks），它是从以前的人工神经网络ANN模型发展而来的。深度学习是机器学习研究的新领域。它的动机是建立和模拟一个神经网络，该网络可以模拟人的大脑进行分析和学习。它模仿人脑解释数据的机制，例如图像，声音和文本。深度学习可以使计算机具有与人类相同的智能，并且其发展前景必须是无限的。与机器学习方法一样，深度机器学习方法也分为有监督学习和无监督学习。在不同学习框架下建立的学习模型非常不同。例如，卷积神经网络（CNN）是深度监督学习下的机器学习模型，而深度信念网（DBN）是无监督学习下的机器学习模型。深度学习涉及的技术主要包括：线性代数，概率和信息论，拟合不足，拟合过度，正则化，最大似然估计和贝叶斯统计，随机梯度下降，有监督和无监督学习，预深度提要网络，成本功能和反向传播，正则化，稀疏编码和辍学，自适应学习算法，卷积神经网络，递归神经网络，递归神经网络，深度神经网络和深度堆叠网络，LSTM长期和短期记忆，主成分分析，常规自动编码器，表示学习，蒙特卡洛，受限Bozeman机器，深度置信网络，softmax回归，决策树和聚类算法，KNN和SVM，生成对抗网络和定向生成网络，机器视觉和图像识别，自然语言处理，语音识别和机器翻译，有限马尔可夫，动态规划，梯度在讨论深度学习时，我们肯定会谈论“深度”一词，它是层数。可以通过流程图表示从输入生成输出所涉及的计算：流程图是可以表示计算的图，其中每个节点表示基本计算和计算值，计算结果应用于该值该节点的子节点的数量。考虑这样一个计算集，它可以在每个节点和可能的图形结构中使用，并定义了一系列功能。输入节点没有父节点，输出节点没有子节点。该流程图的一个特殊属性是深度：从输入到输出的最长路径的长度。深度超过8层的神经网络称为深度学习。具有多个隐藏层的多层学习模型是深度学习的体系结构。深度学习可以通过组合低级特征来发现数据的分布式特征表示，从而形成更抽象的高级表示属性类别或功能。所述“深度”指的是：深度学习的术语是指从“输入层”获得的层数。到“输出层”，即