定义：
深度学习是机器学习领域中一个新的研究方向，被引入机器学习使其更接近于最初的目标，即人工智能AI， Artifical Intelligence。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
【-百度百科】
关系：
人工智能(Artifical Intelligence)：是一门研究和开发智能机器的科学和技术。它旨在使机器能够模拟和展现人类的智能行为，如感知、理解、推理、学习和决策等。人工智能的目标是创造具有自主思考和学习能力的机器，使其能够完成复杂的任务并模仿人类的认知能力。
机器学习(Machine Learning)：机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。
神经网络(Neural Network)：是为计算机量身定做的神经系统，计算机神经网络是一种模仿生物的神经网络或者是动物的神经中枢，特别是大脑的结构和功能，它是一种数学模型或者是计算机模型。神经网络由大量的人工神经元联结进行计算，大多数情况下，人工神经网络能在外接的信息基础上改变内部结构，是一种自己逐渐适应的过程。
深度学习(Deep Learning)：是机器学习的一种特定形式，它使用具有多层非线性处理单元的神经网络来学习和表示数据。深度学习的核心是使用深度神经网络。深度学习”是与机器学习中的“神经网络”是强相关，“神经网络”也是其主要的算法和手段；或者我们可以将“深度学习”称之为“改良版的神经网络”算法。
合适的编程语言：
Python：Python已经成为深度学习主导性的编程语言，现在主流的很多的框架都是基于Python来开发的，比如PyTorch、TensorFlow等；
Anaconda作为Python的一个集成管理工具，自带了Jupyter Notebook，它是一个非常强大的工具。
PyCharm: 是一款Python的集成开发环境，为 Python的深入学习做铺垫。
常见的深度学习框架：
深度学习框架可以理解为软件开发中常提及的“库”，因此选用了一种框架开展深度学习研究，可以让大量不同应用领域的研究人员不需再进行重复的底层算法开发，能够利用框架提供的各种性能已得到验证的基本模块快速构建网络模型，让研究人员更关注于其各自的研究领域，大大提高了工作效率。
通俗比喻理解，一套深度学习框架就是这个品牌的一套积木，各个组件就是某个模型或者算法的一部分，你可以自己设计如何使用积木去堆砌符合你数据集的积木。
TensorFlow：Google维护，支持c++/Python/Java/R等
PyTorch：Facebook维护，支持c/c++/Python
Keras：Google维护，支持Python/R
MXnet：DMLC维护，支持c++/Python/R等
Caffe：BVLC维护，支持c++/Python/MATLAB
CNTK：Microsoft维护，支持c++/Python/c#/.NET/Java/R
PaddlePaddle： 百度维护，支持c++/Python
Deeplearning4j：Eclise维护，支持Java/Scala等
ONNX：Microsoft/Facebook维护，支持Python/R
人工智能的形态：
弱人工智能：Artificial Narrow Intelligence（ANI），具有特定能力或能完成特定人物的人工智能，例如赢得国际象棋比赛、从一系列照片中识别某个物体、聊天机器人、文生图模型以及其他各类AIGC产品都应该被划分在ANI范围内。
通用人工智能：Artificial General Intelligence（AGI），目前正在研究中，比如GPT-4等。
超级人工智能：Artificial Super Intelligence（ASI）
常用的神经网络模型类型：
前馈神经网络(FeedForword NN)：⼀种简单的神经⽹络，也被称为多层感知机；包括感知机、BP神经网络、深度前馈网络DFF、全连接神经网络FCN、卷积神经网络 CNN、径向神经网络RBF、生成对抗网络GAN等。
反馈神经网络(FeedBack NN)：输出不仅与当前输入以及网络权重有关，还和网络之前的输入有关。它是一个有向循环图或是无向图，具有很强的联想记忆能力和优化计算能力。常见的有循环神经网络RNN、Hopfield神经网络、受限玻尔兹曼机、长短期记忆网络LSTM。
图神经网络(Graph NN)：图是一种在拓扑空间内按图结构组织来关系推理的函数集合，包括社交网络、知识图谱、分子图神经网络等；通常有图卷积网络GCN、图自编码器GAE、图生成网络GGN、图时空网络、图注意力网络GAT。
