一、发展
互联网的崛起、价廉物美的传感器和低价的存储器令我们越来越容易获取大量数据。加之便宜的计算力，尤其是原本为电脑游戏设计的GPU的出现，上文描述的情况改变了许多。一瞬间，原本被认为不可能的算法和模型变得触手可及。这样的发展趋势从如下表格中可见一斑。
很显然，存储容量没能跟上数据量增长的步伐。与此同时，计算力的增长又盖过了数据量的增长。这样的趋势使得统计模型可以在优化参数上投入更多的计算力，但同时需要提高存储的利用效率，例如使用非线性处理单元。这也相应导致了机器学习和统计学的最优选择从广义线性模型及核方法变化为深度多层神经网络。这样的变化正是诸如多层感知机、卷积神经网络、长短期记忆循环神经网络和Q学习等深度学习的支柱模型在过去10年从坐了数十年的冷板凳上站起来被“重新发现”的原因。
并行计算的能力也为至少在可以采用模拟情况下的强化学习的发展贡献了力量。并行计算帮助计算机在围棋、雅达利游戏、星际争霸和物理模拟上达到了超过人类的水准。
1.1 框架
深度学习框架也在传播深度学习思想的过程中扮演了重要角色。Caffe、 Torch和Theano这样的第一代框架使建模变得更简单。许多开创性的论文都用到了这些框架。如今它们已经被TensorFlow（经常是以高层API Keras的形式被使用）、CNTK、 Caffe 2 和Apache MXNet所取代。第三代，即命令式深度学习框架，是由用类似NumPy的语法来定义模型的 Chainer所开创的。
二、开发环境
2.1 软件要求
Python3.7 【IDE环境】
Anaconda5.3.1 【包管理工具】
CUDA10.0 【显卡驱动API 方便调用硬件资源】
PythonCharm 【开发工具】
2.2 anaconda3.5.1安装
1.官网：https://www.anaconda.com/products/individual
2.测试：cmd命令
conda list
conda --version
2.3 CUDA 10.0安装
1.960 970 1050 1060 4GB
2.下载地址：https://developer.nvidia.com/cuda-10.0-download-archive
3.下载完毕，双击运行。
4.检测是否安装完毕：
5.测试运行CUDA，cmd命令
mvcc -V
6.如果没有识别，请天添加环境变量。
2.4 PyTorch安装
1.下载地址：https://pytorch.org/
2.管理员身份运行cmd命令
2.5 PyCharm
1.官网自行下载
注意anocoda配置
2.测试
