如今，人工智能已被公众网络热词所频繁提及，但许多人仍然不知道人工智能并不等同于深度学习。一般说来，人工智能包括：机器学习、深度学习，两者之间有一定的交集，但我们必须区分它们。如果你想开始深入学习，不妨了解深入学习的概念、发展和应用场景。

零入门深度学习

1. 深度学习的概念

当我们谈到深度学习时，我们指的是用多层神经网络构造的模型。零基础的朋友可能不明白。简而言之，当一台计算机完成一项任务时，它必须有输入和输出。例如，在机器翻译中，我们输入中文，输出英语。同样，在神经网络中，我们称它们为输入层和输出层。在输入层和输出层之间也有许多层需要计算，它们负责如何将输入转换为输出。这些中间层称为 "隐藏层"。如果一个神经网络包含多个隐层，我们称之为深度神经网络，该模型的学习过程也称为深度学习。由于它在各种任务中都是突出的，更复杂的任务往往比一般的机器学习模型更强，因此它变得越来越发达和独特。

2. 深度学习的发展历程

神经网络诞生于 1943 年，但当时由于计算机硬件的落后，越来越多的概念停留在学术层面上。随着计算机处理器运算速度和存储能力的提高，1957/1958 年间，单层神经网络最终应用于人工智能应用（模式识别），实现了神经网络的第一次崛起。

1986 年，引入了两层神经网络，实现了第二层神经网络。但后来，由于缺乏 CPU 计算能力，人们开始关注普通机器学习模型，如 KNN、梯度提升树等。

最后，卷积神经网络于 2012 年诞生，在 ImageNet 为消灭所有普通机器学习模型而展开的竞争中，开创了多层神经网络的时代，开启了第三层神经网络。我们现在处于神经网络第三层的繁荣阶段，这是一种极大的荣誉！到处可以看到的人工智能应用已经完全渗透到我们的生活中。

3. 深度学习的应用场景

我们周围的许多人工智能应用属于深度学习的范畴。例如，商业上的人脸识别、指纹解锁、虹膜认证、自动驾驶仪和视频内容提取。在医学领域，如肿瘤识别、健康监测、外科机器人等。这些深入学习模型都与图像相关，我们称它们为深入学习图像领域的计算机视觉。

同样，在商业上，我们也有机器翻译、情感分析、文章摘要提取等；在医学领域，我们可以通过描述病人的病情和病史来提取关键信息，帮助医生判断疾病等。这些深入学习模式与语言和文本有关，我们把涉及语言的深度学习领域称为自然语言处理。