了解深度学习
在了解深度学习之前，需要对它和人工智能之间的关系进行了解与分析，人工智能与深度学习的关系下。
人工智能与深度学习的关系
由上图可知，深度学习是隶属于机器学习范畴的，机器学习又是隶属于人工智能范畴的，先解释一下什么是机器学习。
卡内基梅隆大学（Carnegie Mellon University）的汤姆·迈克尔·米切尔（Tom Michael Mitchell）教授在Machine learning一书中对机器学习给出了比较专业的定义，即“如果一个程序在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习”。通俗地讲，就是如果机器学习算法（一个程序）要实现一个预测、分类问题（任务T），那么需要对数据（经验E）进行分析，如果数据越多，最后实现预测、分类时的准确率（效果P）越高，那么就称这个机器学习算法可以从数据中学习。
机器学习是人工智能的一个分支，是实现人工智能的方法，是计算机通过学习来提高性能的一种方式。机器学习过程并不是告诉机器该怎么做，而是告诉它该怎么学习，在这个学习的过程中机器从数据里提取特征，当然这需要大量的数据。对于一些复杂的问题，机器学习并不能解决。如需要在一张照片上找到所有人的面部，利用机器学习解决这个问题是非常困难的，因为有的人留着长发，有的人戴着眼镜，还有拍照时的不同表情等，所以并不能完全保证利用这些特征能够找到人脸。
而深度学习可以解决这个问题，这个在早期试图模仿人类大脑神经元之间的学习机理、将各个特征进行联系从而组成更为复杂特征的方法，在图像识别和语音识别等领域具有突破性的进展。
深度学习是机器学习的一个分支，深度学习和机器学习的实现过程如图所示。
深度学习和机器学习的实现过程
深度学习这个词，除了从传统机器学习那里继承了“学习”之外，“深度”是其区别于其他方法的特征之一。在人工智能中，深度学习是人工神经网络或者深层神经网络的代名词，“深度”指的是神经网络的网络层次，最基本的神经网络结构如图所示。
最基本的神经网络结构
在上图中，最左侧的一层称为输入层，最右侧的一层叫作输出层，中间所有节点组成的层称为隐藏层。最基本的神经网络结构中只有一层隐藏层，在实际的神经网络中，输入层x需输入训练数据，中间有一个或多个隐藏层a，输出层y输出结果。
在21世纪前，深度神经网络由于受到计算力、数据量以及算法的限制，一直没有很好的表现，当时传统机器学习的表现要好于神经网络，如支持向量机（Support Vector Machine，SVM）。步入21世纪，随着计算机性能的不断提高，大数据、云计算以及各种专用于计算的芯片的出现与普及，计算力以及数据量不再像之前那样限制神经网络的发展。在2012年的大规模视觉识别挑战赛（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）中，辛顿（Hinton）和他的学生克里泽夫斯基（Alex Krizhevsky）设计的深度学习网络AlexNet获得了冠军；到2015年，深度学习在图像分类方面的错误率已经低于人工标注的错误率；现在，深度学习被广泛应用于各个方向并取得了非常好的效果。
深度学习最早兴起于计算机视觉领域，在短短数年内，深度学习的方法推广到了越来越多的领域中，如语音识别、自然语言处理等领域。现如今，图像分类、图像识别已经运用于包括无人驾驶、按图识物、人脸识别、美颜、文字识别等在内的多个方向。语音识别也被运用于智能音箱、手机语音助手、语音输入法、同声传译等方向。自然语言处理被运用到聊天机器人、机器翻译等方向。
