深度学习都学什么呢？

深度学习

深度学习是影响生活，改变人生，获得持续幸福人生的学习。

学习影响生活的愿景

改变思维，思维正确，处理事情正确。

改变行为，行为正确，行事为人正确。

改变心态，心理反应正确，正确对待一切。

深度学习路径

深度输入，效果输出。

1.深度输入。

就是真实经历提要素、理关系、建结构、明功能，深度思考，提升思维能力的过程。

2.效果输出。

我们来认识理解效果，对生活，对生命，对他人产生积极影响，就是效果。

输出方法之一:改变自己，思想积极，经历和经验积极，细节感人。

输出方法之二:帮助别人改变，走到哪里就把人带到哪里。

3.输入输出条件。

首先是投资力，投资精力的能力，投资时间的能力。

其次是获取力，就是选择能力和输入能力。

第三是转化力，反思经验积累能力和内化能力。

第四是分享力，把道理分享给别人，把经验分享给别人。

首先非常感谢在这里能为你解答这个问题，让我带领你们一起走进这个问题，现在让我们一起探讨一下。

1.初学阶段

啃吴恩达的机器学习的课程，然后看的是黄海广博士等人翻译的课程和笔记，这一阶段主要了解相关的概念，一定要有一个整体的结构，每个名字大概是什么意思，有什么用。

然后就是代码方面的事情，我没有马上跟上代码，而是去学习了一下一些以后会用到的基础的python库，比如pandas，numpy，matplotlib等

2.初探代码阶段

当时因为一些偶然因素要做深度学习方面的东西，然后去kaggle上下载了一段完整的训练代码。这里有一些了解的初学者可能会问到底选什么深度学习平台好，tensorflow？pytorch？keras？每个平台之间并没有绝对的优势，主要还是看自己的具体情况。

我的方向是和医学图像相关的东西，所以选择了keras，因为他上手快，可以快速构建出一个模型，但是灵活性要稍微差一些；pytorch是另一个热门选择，我的很多师兄师姐都是用的pytorch，他们很多事做的和人脸相关的方向；tensorflow不太建议初学者，相比之下前期学习花销大且代码量也比较多。

回到正题，上面说的那段完整的训练代码，我进行了一次精读，理解他每个步骤都在干些什么，然后用到了哪些有关的库，然后对训练过程有了一个整体了解，还有就是熟悉这个框架的一些函数。

3.“照葫芦画瓢”阶段（最艰难但进步最快）

这个阶段，就如小标题所说的一样，跟着别人的代码一步一步来，然后化为己用。

虽然对那段代码进行了精读，但是直接拿来自己用还是比较牵强，各个专业名词越来越混，也不知道要如何下手。没办法，只能继续巩固基础，我就去把keras的官方文档给琢磨了一遍，然后照着它给的最简单的分类网络实现了一遍，之中有很多坎坷和挫折，但是坚持下来就是胜利。然后就是将自己的数据集放入到模型中了，结果根本不好，但起码能跑起来。

接下来就是调参的过程，不会或者疑惑的地方就百度谷歌还有问师兄师姐，自己感受一遍和只看书是完全不一样的。

4.进阶阶段

到了这个阶段，已经对网络结构和训练流程有了一定认知了，接下里就是要训练出一个表现不错的模型了。又要回到专业名词中去，去看别人是怎么优化的，提出了什么网络结构，有什么创新的思路，相关的paper当然是要读的，然后就是尝试去优化自己的模型。

在以上的分享关于这个问题的解答都是个人的意见与建议，我希望我分享的这个问题的解答能够帮助到大家。

在这里同时也希望大家能够喜欢我的分享，大家如果有更好的关于这个问题的解答，还望分享评论出来共同讨论这话题。

我最后在这里，祝大家每天开开心心工作快快乐乐生活，健康生活每一天，家和万事兴，年年发大财，生意兴隆，谢谢！

深度学习是机器学习的一个研究方向，而机器学习是人工智能领域的一个技术。深度学习是计算机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。

根据百度百科的解释，深度学习是机器学习的一种。

未来，深度学习将运用到人工智能、语音识别、图像识别、自动驾驶等诸多方面。

深度学习（deep learning）是ML（Machine Learning）研究中的一个领域，它被引入到ML中使ML更接近于其原始的目标：AI。

深度学习是机器学习领域最热门的技术。

深度学习是一种可以自动学习特征的方法，是关于学习多个表示和抽象层次，这些层次帮助解释数据，例如图像，声音和文本；起源于神经网络，至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和递归神经网络等，已被应用计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

相关：

深度学习入门必须理解的25个概念

https://www.toutiao.com/i6606527907705651726/

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。是人工智能的一种，推荐去中公教育优就业学习。

深度学习是机器学习的一种。

机器学习是指机器模拟人的学习，不断归纳总结提取出规律的过程。

按学习能力来划分，人类学习有牛人和笨蛋，牛人做十套卷子高考就考满分，笨蛋做100套试卷只能考50分。

机器学习相似，牛人是深度学习，笨蛋是浅层学习

深度学习是人工智能的一个研究领域。人工智能的研究大致经历了三个阶段：

最初人们认为可以把人的知识和经验都变成规则，写成程序让计算执行就能实现人工智能。这方面的努力取得了不少成果。比如，关系型数据库、我们所熟知的Excel(学名叫Spreadsheet)都是这方面的研究成果。但是，不管怎么努力人们都不能把复杂的世界用一个简单的模型表示出来，人工智能也因此走进了瓶颈。

人们终于相信用人工无法制定出完整的规则，于是就另辟蹊径让计算机主动去学习规则好了，这就是机器学习的概念。人们给电脑制定了许多条件，让它在海量的数据中寻找有用的信息，并转化成规则。这一阶段的成主要果是各类数据挖掘技术。这些技术广泛应用到了搜索引擎，如某度、某歌什么的。值得一提的是深蓝就是通过大量搜索棋谱跟人类棋手过招的。可是这么做的局限性也是明显的，因为深蓝不会用人类不知道的招数。

在搜索引擎大行其道的时候，人们并没有放弃对把知识转化成规则的研究，这些技术用到了各类信息系统之中，比如，ERP什么的。这中间线性规划得到了广泛应用，比如，计算行车路线时可能要考虑时间、距离、是否拥堵等多个条件，把这些条件可以列成一组多元方程组，但通常方程的个数要比未知数少，这样的方程有无数组解，而我们只能从这些解中寻找一组最优解。这就产生了一个问题，这就是解的数量庞大，一个一个都算出来是不现实的。这时候人们便想了很多办法快速地找到最优解l或者叫近似解。神经网络就是比较有效的办法之一。这些研究取得了一个重要的进展，就是计算机能找到一些人所不知道的规则。于是，人们开始让计算机用前面说的算法，自己搜索规则，这个过程被称为深度学习。阿尔法狗就是通过深度学习，找到了不为人知的棋谱从而大败人类棋手的。

如果说机器学习是让计算机被动搜索已知的规则，那么深度学习就是让计算机主动搜索潜在的新规则。深度学习让人工智能有了超越人类的可能。

等等，你先确认下：是“深度 | 学习”（沉浸式学习），还是AI里的“深度学习”？

深度学习可以是计算机和人工智能里面的专业术语，但是也常用在学习方法和个人知识管理中。这里仅仅谈下后者的一些理解。

深度学习个人理解仍然是和我们当前大量的碎片化学习，泛读，学而不深，在某个领域无法实现真正的量变到质变的转化相关的。因为我们现在往往将大量的时间花费在了上网，小游戏，刷微博和朋友圈，看电视或直播这些事情上，而能够真正专注去学习一个新事物，掌握一项新技能的时间越来越少。也正是由于这个原因，提出了深度学习的概念。

谈深度学习，自然就要先谈下相对应的浅度学习，对于浅度学习可以理解为所有的没有形成持续专注并一问到底，没有在学习完成后实践和复盘，不关注最终学习的效果和产生价值的学习都可以理解为浅度学习。所以不能一概而论的认为刷朋友圈，微博就是浅学习，如果这些学习都是为了总结自己某领域的知识，或者整理和更新公众号文章，并根据浏览情况不断改进，那么这种学习就会从浅学习上升为一种深度学习。

每个人都无时无刻的不在接收各种信息输入和碎片化知识，而深度学习的人往往会考虑如何将这种学习行为形成一种持续性的习惯，如何从价值输出为目标，考虑将这些碎片化知识进一步整理为系统的知识体系，能够这样做的人往往就是一种懂得深度学习的人。

对于深度学习，很难给一个完整的定义，对于深度学习个人理解的关键点应该包括：

深度学习者最终需要的是提升自己的思维能力和独立分析解决问题的能力，因此对于问题的解决不能只关注最终的结果，还应该关注整个解决的过程，从对结果的关注转移到对过程的关注，从对过程的关注提取做事情的逻辑和方法论，这是真正提升自我能力的基础。

深度学习者深度学习仍然是形成持久化长期坚持的习惯，聚沙成塔，积少成多，一个深度学习者应该明白厚积薄发的道理，明白坚持+专注是所有学习的基础。最近看微信朋友圈的微信运动，最大的一个感触就是每天步数在2万步以上的有不少人，你想哪天占领封面是相对不容易的事情，但是实际上1个月都能坚持每天1万步的就很少了，能半年坚持每天1万步的基本微乎其微。学习往往一样的道理，你某天心血来潮的学习到深夜不是啥好事情，而是你能够专注某个领域持续学习和提高才值得赞扬。

深度学习者应该明白多则惑的道理，要能够深度学习首先是要懂得专注，而专注的重点本身又是要降低自我欲望，缩小自己的兴趣圈，能够专注到越少的事情上往往学习效果才更好。及时有学习发散和外延，也是围绕自我专注领域的扩展。一个人精力是有限的，关注的东西越多，越很难深度学习，很多时候我们发现已经不是单纯的坐车，等车，走路等碎片化时间被浪费了，而是可能你一个整晚，一个周末的时间也会被看电视，网剧，刷朋友圈等浪费掉。

深度学习者需要懂得如何突破自我瓶颈和关键点，比如说掌握一个技能你可能通过1万小时理论，通过持续不断的练习和实践，你可以做得很好，但是如果要赋予产品灵魂，让你的产品最终变成一个艺术品需要的就是关键点突破。这个时候持续重复是没有意义，里面的关键仍然在于有高手点拨，碰到一个好的师傅或工匠发现你的问题，或者通过你日常的反思复盘哪天灵光一现，这些都有可能。突破往往就在那一刹那，但是前提仍然是你已有有了量的积累和堆积,没有量变何来的质变？

深度学习者应该是有独立的价值判断，能够不断的接收新知识和新事物，愿意为自己感兴趣的领域长久的坚持和专注，并愿意不断训练实践持续改进提升的人。

no1. 数据（data）。还要标多少数据啊？

no2. 算力（computation）。就知道省钱不能再买一个N卡吗？

no3. 算法（algorithm）。paper有代码啊，赶紧git clone。

深度学习就是提出问题，带着问题去学，深入思考问题本质。

一句话说，能讲清“为什么”的学习，就是深度学习。

首先，你要确立你学习和未来从事相关工作的目标、方向。

方向确定了，你才知道自己要去哪里，怎么去？方向有了，接下去就是专注，深究，精进你的目标学习的过程。

比如我喜欢茶，故而专注茶行业11年，并且还会持续在茶行业里深究耕耘，我从最初的卖茶，到学习茶文化，再深入到茶道文化，茶历史，茶礼仪，茶闻轶事……我从以茶谋生的小茶姑娘，到成为传播茶文化的小茶老师，这种成长我很喜欢也很欣慰！

庄子云：“一心定而万物服”

！只有把自己这颗散乱迷茫的心收服了，专注专致于自己的目标，你就已经成功了！

指的应该是知其然，并且知其所以然。事物都有现象和本质，我们说透过现象看本质，这应该就是深度学习的一种表现。

深度学习应该就是透过现象看本质，也就是说对学习内容进一步的剖析，通过与自己过往的各种体验进行匹配来加深印象，锻炼举一反三的逻辑推导能力，尝试跨学科去分析问题。

图像识别技术的高价值应用就发生在你我身边，例如视频监控、自动驾驶和智能医疗等，而这些图像识别最新进展的背后推动力是深度学习。深度学习的成功主要得益于三个方面：大规模数据集的产生、强有力的模型的发展以及可用的大量计算资源。对于各种各样的图像识别任务，精心设计的深度神经网络已经远远超越了以前那些基于人工设计的图像特征的方法。

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。最近有中公的老师联系我说他们和中科院联合推出了深度学习的课程，打算先试听一下。可以的话就报班学习吧

咀嚼基础知识，画鸡蛋的理

深度学习就不仅是学习书本的理论了，需要结合理论和实践相结合

深度学习学的是你自我思考能力，不仅仅是学校学的知识，包括进入社会的各种技能，沟通能力，管理能力，思考能力，合作能力，学习能力等等

深度学习是机器学习的一个子集，机器学习是人工智能的一个分支，用于配置计算机通过经验执行任务。这是一次深度探索。

由于丰富的数据和增强的计算能力，深度学习是一种先进的人工智能技术，在过去几年中变得越来越流行。它是我们每天使用的许多应用程序背后的主要技术，包括在线语言翻译和社交媒体中的自动面部标记。

这项技术在医疗保健方面也很有用：今年早些时候，麻省理工学院（MIT）的计算机科学家利用深度学习创建了一种新的计算机程序来检测乳腺癌。

经典模型需要工程师手动定义用于检测癌症的规则和逻辑，但对于这个新模型，科学家们给出了深度学习算法，从60,000名患者中进行了90,000次全分辨率乳房X线照片扫描，并让它找到患者扫描之间的常见模式最终患有乳腺癌的人和没有患乳腺癌的人。它能够提前五年预测乳腺癌，与之前的风险预测模型相比有了相当大的改进。

机器学习究竟是什么？

深度学习是机器学习的一个子集，机器学习是人工智能的一个分支，用于配置计算机通过经验执行任务。与经典的基于规则的AI系统相反，机器学习算法通过处理带注释的示例（称为“训练”）来发展其行为。

例如，要创建欺诈检测程序，您需要使用一系列银行交易及其最终结果（合法或欺诈）来训练机器学习算法。机器学习模型检查示例并开发合法和欺诈交易之间共同特征的统计表示。之后，当您向算法提供新银行交易的数据时，它会根据从培训示例中收集的模式将其归类为合法或欺诈。

根据经验，您提供的数据质量越高，机器学习算法在执行任务时就越准确。

机器学习在解决规则定义不明确且无法编码为不同命令的问题时特别有用。不同类型的算法在不同任务中表现出色。

深度学习和神经网络

虽然经典的机器学习算法解决了基于规则的程序所遇到的许多问题，但它们在处理图像，视频，声音文件和非结构化文本等软数据方面很差。

例如，根据AI研究人员和数据科学家Jeremy Howard的说法，使用经典的机器学习方法创建乳腺癌预测模型需要数十名领域专家，计算机程序员和数学家的努力。研究人员必须进行大量的特征工程，这是一个艰巨的过程，可以对计算机进行编程，以便在X射线和MRI扫描中找到已知的模式。之后，工程师在提取的功能之上使用机器学习。创建这样的AI模型需要数年时间。

深度学习算法使用深度神经网络解决了同样的问题，深度神经网络是一种受人类大脑启发的软件架构（尽管神经网络与生物神经元不同）。神经网络是变量层上的层，它们根据它们所训练的数据的属性进行调整，并且能够执行诸如分类图像和将语音转换为文本等任务。

神经网络尤其擅长在非结构化数据中独立查找常见模式。例如，当您在不同对象的图像上训练深度神经网络时，它会找到从这些图像中提取特征的方法。神经网络的每一层都检测特定的特征，如边缘，角落，面部，眼球等。

通过使用神经网络，深度学习算法消除了对特征工程的需求。对于麻省理工学院的乳腺癌预测模型，由于深入学习，该项目需要的计算机科学家和领域专家的努力要少得多，而且开发时间也更短。此外，该模型能够在人体分析师遗漏的乳房X线照片扫描中找到特征和模式。

自20世纪50年代以来，神经网络已经存在（至少在概念上）。但直到最近，人工智能社区在很大程度上驳回了他们，因为他们需要大量的数据和计算能力。在过去几年中，存储，数据和计算资源的可用性和可承受性已经将神经网络推向了人工智能创新的最前沿。

深度学习用于什么？

有几个领域深度学习帮助计算机解决以前无法解决的问题。

计算机视觉：计算机视觉是使用软件来理解图像和视频内容的科学。这是深度学习取得很大进展的领域之一。除了乳腺癌，深度学习图像处理算法可以检测其他类型的癌症，并帮助诊断其他疾病。

但深度学习也是你每天使用的许多应用程序中的根深蒂固。Apple的Face ID使用深度学习，Google Photos也使用深度学习来搜索各种功能，例如搜索对象和场景以及校正图像。Facebook使用深度学习自动标记您上传的照片中的人物。

深度学习还可以帮助社交媒体公司自动识别和阻止可疑内容，例如暴力和裸露。最后，深度学习在使自驾车能够理解周围环境方面发挥着非常重要的作用。

语音和语音识别：当您向Amazon Echo智能扬声器或Google智能助理发出命令时，深度学习算法会将您的语音转换为文本命令。一些在线应用程序使用深度学习来转录音频和视频文件。谷歌最近发布了一款设备上实时Gboard语音转录智能手机应用程序，该应用程序使用深度学习键入。

自然语言处理（NLP）和生成（NLG）：自然语言处理，提取非结构化文本含义的科学，一直是经典软件的历史痛点。用计算机规则定义书面语言的所有不同细微差别和隐藏含义几乎是不可能的。但是在大型文本上训练的神经网络可以准确地执行许多NLP任务。

当公司转向深度学习时，谷歌的翻译服务突然提升了业绩。智能扬声器使用深度学习NLP来理解命令的各种细微差别，例如您可以询问天气或方向的不同方式。

深度学习在生成有意义的文本方面也非常有效，也称为自然语言生成。Gmail的智能回复和智能撰写使用深度学习来显示对您的电子邮件的相关回复和完成句子的建议。OpenAI今年早些时候开发的文本生成模型创建了长篇连贯文本。

深度学习的局限

尽管它有很多好处，但深度学习也有一些缺点。

数据依赖性：通常，深度学习算法需要大量的训练数据才能准确地执行任务。不幸的是，对于许多问题，没有足够的质量培训数据来创建深度学习模型。

可解释性：神经网络以极其复杂的方式发展他们的行为 - 甚至他们的创造者也很难理解他们的行为。缺乏可解释性使得解决错误和修复深度学习算法中的错误非常困难。

算法偏差：深度学习算法与他们训练的数据一样好。问题是训练数据通常包含隐藏或明显的偏差，算法会继承这些偏差。例如，主要针对白人的照片训练的面部识别算法将对非白人执行不太准确。

缺乏概括性：深度学习算法擅长执行重点任务，但在推广知识方面表现不佳。与人类不同，受过星际争霸训练的深度学习模型将无法玩类似的游戏：比如，魔兽争霸。此外，深度学习在处理偏离其训练示例的数据方面也很差，也被称为“边缘情况”。在自动驾驶汽车等情况下，这可能会变得很危险，因为错误会导致致命的后果。

深度学习的未来?

今年早些时候，深度学习的先驱者被授予图灵奖，这是计算机科学的诺贝尔奖。但深度学习和神经网络的工作远未结束。正在努力改进深度学习。

一些有趣的工作包括可以解释或开放解释的深度学习模型，可以用较少的训练数据开发行为的神经网络，以及可以在不依赖大型云计算资源的情况下执行任务的深度学习算法的边缘AI模型。

虽然深度学习是目前最先进的人工智能技术，但它并不是人工智能行业的最终目的地。深度学习和神经网络的发展可能会给我们提供全新的架构。

既然有了方向，深度学习就是专注

人工智能，就好像第四次工业革命，正从学术界的私藏，转变为一种能够改变世界的力量。主要涉及有python等方面的基础能力。

要学习些人工智能的项目，听说中公教育跟中科院推出深度学习，还不错，可以去了解下

作为教育领域创作者，非常乐意回答题主的问题。

如果要回答深度学习到底是学习什么内容？首先，我们要把这四个字拆解成两个词，“深度”和“学习”，逐一说明。

“学习”是我们从小就接触的词，每天听着好好学习，天天向上的教诲。小时候的学习就是上课，做题，最终通过考试验证了学习的效果。抽象的说，学习就是认知的过程，从未知到已知的探索和思考。比如从最早的学习，1+1=2，想想我们是怎么学习的?伸出一只手指，再伸出一只手指，数一数，两只手指那就是2。

这里提前再定义一个概念，输入和输出，输入就是已知的信息，输出就是最终获得的认知的结果。这里的1和加号+，就是输入，而得到的计算结果2就是输出。

所以，任何的从已经有的信息，无论是通过计算，判断，推理而后得到一个认知的过程都可以称为“学习”。

总结一句话，深度学习就是用多层次的分析和计算手段，得到结果的一种方法。

简单来说，机器学习是实现人工智能的方法，深度学习是实现机器学习的技术。机器学习在实现人工智能时中需要人工辅助(半自动)，而深度学习使该过程完全自动化。举个例子：通过机器学习算法来识别水果是橘子还是苹果，需要人工输入水果的特征数据，生成一定的算法模型，进而可以准确预测具有这些特征的水果的类型，而深度学习则能自动的去发现特征进而判断。

深度学习，按我个人的理解主要就是多层神经网络。而多层神经网络目前效果比较好的是卷积神经网络，目前在图像和音频信号上效果比较好，而在自然语言处理上效果没有显示出来。

深度学习从统计学的角度来说,就是在预测数据的分布，从数据中学得一个模型然后再通过这个模型去预测新的数据，这一点就要求测试数据和训练数据必须是同分布。

从Inception的角度上来看的话，其实深度学习是在模拟人脑的工作机制。

定义一个深度学习模型，通常需要解决3个问题：

1）激活函数，也就是先对于输入神经元的激活值。一般的有 logistic 、tanh、以及ReLU。

2）代价函数。一般学习过程都是优化问题。代价函数一般采用欧式距离。

3）优化策略。最简单的用剃度下降。

根据剃度更新权重，进而减小代价函数。

由于多层神经网络通常模型很复杂，为此还需要解决过拟合问题，目前比较有效的是通过数据增广和dropout技术。

区别于一般的机器学习算法，深度学习更新是机器学习，之所以这么说是因为它能自动学习特征，不用人工定义特征，所以你可以不需要懂太多领域相关的知识，因为算法懂得自动学习特征。

国内在这方面走得比较前的是百度，尤其是其最新成立的深度学习研究院，最近更是收入华裔深度学习泰斗吴恩达教授；其次是腾讯，最近腾讯推出的一个深度学习平台，据说无论在学术界还是工业界都取得很好的口碑。

深度学习是人工智能方向的一个研究领域。深度学习的概念来源于人工神经网络的研究，其通过组合低层特征形式形成更加抽象的高层表示属性类别或特征 以发现数据的分布式特征表示。

要想学习深度学习，需要有以下步骤:

一方面，掌握深度学习预备知识。学习基础数学知识和Python基础知识。

另一方面，掌握深度学习核心知识。学习神经网络、卷积神经网络的相关知识。

推荐:优就业

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同.例如，卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。

百闻不如一见，作为一名从事深度学习理论与应用研究并行的调参侠，在18年以前我也一脸懵逼在网上苦苦搜索答案。在这里我将用最通俗的语言描述一下深度学习，一定能看懂的。

人工智能涉及的范围很广，其实现方法中最为火热的莫过于深度学习。

传统的编程是这样的：给定输入和映射关系（通过程序完成），得到输出。

比如你要求一个数的平方，那么就写好求平方的程序（关系），然后输入一个数（输入），再得到一个平方之后的数（输出）。

深度学习是这样的，给定输入输出，得到映射关系。

比如给定1、2、3和2、4、6，求出他们是什么关系，这个模型关系称为模型。（这个一看就知道是两倍的关系了）然后用这个关系去预测新的输入，比如再输入一个4，会得到什么呢？（显然是8呗）

深度学习也是这样的，就是通过这个得到的映射关系（模型），来完成预测，比如人脸识别这些（通过得到的关系预测是哪个人脸）

举个栗子，来看看深度学习中的生成对抗网络，这种方法最早用于生成图像，就是给定一些图像，然后生成人们需要的图像。比如给些人脸图片，然后也生成一些人脸图片。

（如果看不懂这张图请忽略）

这就是深度学习，来回不断判断（训练），得到一个模型，然后之后的输入就会根据这个模型得到输出。

这是一种方法，当然还有其他的方法，这些用于完成这种 ：输入 输出 （比如人脸表情识别，放上生气开心等表情作为输入，然后将生气标为1，开心标为2……）丢进去得到一个映射关系（模型），那么之后要完成人脸表情识别的时候，将新的人脸放上去得到结果是2，那么就说明这张人脸图像是开心啦(◦˙▽˙◦)

如果想真正了解，不妨阅读一下以下几本书。

深度学习的具体的内容，我们可以看下面的图片：

是有中公优就业联合中科院专家推出的深度学习课程大纲，

中科院专家倾力研发并亲自授课！

一共有8大阶段：

AI概述及前沿应用成果介绍

人工神经网络及卷积神经网络原理及 TensorFlow实战

循环神经网络原理及项目实战

生成式对抗网络原理及项目实战

深度学习的分布式处理及项目实战

深度强化学习及项目实战

企业级项目实战-车牌识别项目实战

深度学习最新前沿技术简介

拓展资料：课程优势

1、直面人工智能行业标准制定者，中科院自动化研究所重点实验室专家全程直播教学，亲自指导授课和实践 ，曾主持国家自然科学基金，参与多个国家级科研项目，并出版人工智能专著。

2、中科院人工智能专家倾力研发，真实企业级项目实操，直面复杂开发环境，摆脱开源项目理想化开发，更加符合企业真实需求，六大项目循序渐进，同行业中项目最多，课程内容最深入，以实操贯穿理论，避免纸上谈兵，助力跻身人工智能领域专家。

3、技术紧跟市场需求，落地领域宽泛，不限于语音识别、图像识别、机器对话等前沿技术 ，涵盖行业内 75%技术要点，满足各类就业需求（技术落地领域广泛，如语音识（微信语音转文字、Siri、天猫精灵等）、图像识别（火车站人脸识别、人脸打卡、办卡人脸识别、健康码人脸识别、违章拍摄、百度识图、淘宝识图、有声绘本）、机器对话（微软小冰、同声翻译等））。

我觉得关键找好老师，这属于人工智能领域里面较难的课程学习，推荐你去中公教育IT优就业了解，我朋友之前那边学习过那边学习的教学质量还是很有保障的，他们最近有这个课程推出，听说是和中科院的自动化研究所合作的课程，讲课的老师都是中科院的老师，我朋友拿了他们的试听课听了还不错，你可以去了解下，看看合不合适。

深度学习的本身就是一个函数，函数的表达类型不一样，准备的数据集和获取的结果也是不一样，关键的指标在于：表达函数，分层运算，数据集的准备和你想要的答案是什么。深度学习不仅需要有强大的理论支撑，更需要将这些理论转变为现实，落地才是关键，不然就是空空的纸上谈兵。

深度学习学的是你自我思考能力，不仅仅是学校学的知识，包括进入社会的各种技能，沟通能力，管理能力，思考能力，合作能力，学习能力等等

这个我还真不太清楚，我知道中公教育的IT优就业在说这个课程的事儿，他们和中科院自动化研究所共同研发的，我朋友之前在中公教育学过编程开发，最近那边老师在给他说这个所以有所耳闻了解。具体的学啥，我不清楚你自己问去吧

人工智能目前非常火。很多人想转行人工智能。人工智能的核心是机器学习算法。机器学习算法都是非常复杂的数学算法。短时间内想要学好学深数学是不太肯能的。

所以，只能去做应用层次的东西。

深度学习算法是机器学习算法里面比较成熟的算法了，网上的公开的资料、源代码、API接口比较多，适合学习应用。

所以，深度学习具体学的内容如下：

1、基本的算法原理；

2、深度学习算法如何在图像识别、语音识别、模式识别中应用。

3、如何采集样本，如何调参去训练处准确率高的分类器。

通过以上的学习，可以短时间内应用开源的算法训练处人工智能机器，可以直接进行行业应用了。

人工智能的进阶吧，现在新出的课程，学的是Python的拔高，如果你有Python的基础去学更好，而且现在行业缺少这方面的人才，就业很好。

深度学习是机器学习领域的一个新方向。简单来说是一种人工智能，让机器模仿人类进行思考。这是目前非常前沿的一个研究方向，需要深入钻研。有一部电影讲的和这类似《我，机器人》，推荐观看

深度学习有很多种解释，但是我眼中的深度学习其实很简单，就是通过不断的重复学习和思考，获取更多层次的学习成果的过程。深度学习的前提是重复学习，然后伴随着不停的思考，把知识在重复过程中获得不同层面的理解。比如一本书，你看一遍和看三遍，甚至十遍是会有截然不同的结果。我遇见过一些清华北大毕业的学霸，他们有人把《红楼梦》看了好多遍，号称超过十遍。结果就是有人可以把书里的很多诗词可以随口背出来。也有很多信徒读《圣经》，一开始是整本书看，到最好都是一句话一句话的读。这个就是典型的深度学习的概念。

深度学习就不仅是学习书本的理论了，需要结合理论和实践相结合

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。