深度學習是一種機器學習的方法，它試圖使用包含複雜結構或由多重非線性變換構成的多個處理層(神經網路)對資料進行高層抽象的演算法。深度學習可以理解為神經網路的發展，神經網路是對人腦或生物神經網路基本特徵進行抽象和建模，可以從外界環境中學習，並以與生物類似的互動方式適應環境。

例如，正在接受計算機視覺訓練的深度學習系統可能會首先學會識別出現在影象中的物體邊緣。這些資訊被傳送到下一層，可能會學習識別角落或其他特徵。它一遍又一遍地經歷同樣的過程，直到系統最終開發識別物體甚至識別人臉的能力。

人工智慧深度學習教學班顧名思義就是針對人工智慧深度學習技術開展的教學課程。學習這些課程，可以瞭解人工智慧技術，參加人工智慧專案實戰，畢業後去從事人工智慧相關崗位的工作。

深度學習演算法　是一種　模仿人類學習系統和神經系統學習過程的一種演算法

可以訓練機器在很多很多細分領域，越是相對固定不變的領域，這種人工智慧演算法

越能達到甚至超過人類在該方面的平均水平。比如透過訓練人工智慧程式

讓演算法逐步提高閱讀醫學影像ct片或放射X光片的能力，已達到或超過普通

醫生的識別能力。

按我的理解，人工智慧的深度學習，應該是多種多樣的。

比如：人臉識別，它可以透過人對人臉圖片，進行影象百萬倍級別放大，就象十字繡一樣分格取畫素，空像為0，有像為1，記住這些程式碼，並進行比對，這樣在100億人中，也不會岀現完全一樣的你。

更復雜的則使用提取法，即層層篩選，抓住特殊點，作資料切片，在每一片的資料上找到相同與不同，進行編碼。

所有切片（橫切，豎切，對角切）幾萬片完成並存貯，這樣任何人臉，資料，事物，資訊均有身份認證，邏輯關係建立，並比對，判定，研究。

經過長時間，大範圍對所有的大資料包，自然運動，聲音，圖文，等進行處理的過程，就是人工智慧深度學習。

例如，人騎腳踏車，男女老少，高低胖瘦，車新車舊，技術好，初學者，一般人，喝醉了，身體形狀，騎姿，騎速，動作，習慣，靈還是笨，等等。

訓練師告訴智慧人，哪個是老人，哪個是歸女，哪個是醉漢，哪個是小孩，或人工編輯這樣的資料，讓人工智慧自主認知，時間一長，就會產生感知。

以上這些過程，就是人工智慧深度學習的走向，由淺入深，由簡到繁，在人編制的訓練材料（APP）的幫助下逐漸增強它的認知能力，繼續深入就會喚醒人工智慧的感知能力。

不是不可能，日久會生情。野生的動物，經過幾百幾千年被人訓化成能幹活，懂人語的幫手（馬，牛，狗，貓），人工智慧發展下去，也一定會被人訓練成寵物，邦手，能手。一招不成換一招，只要人 有思想，有耐心。

深度學習人工智慧，就是學習，與深度學習的人工智慧打交道，為它深度學習探索新思路，新方法。培訓培練人工智慧，編寫深度學習人工智慧可以認知，並具有提示，引導性，啟發性答案的應用軟體。

金犁獨家解讀，深度學習人工智慧。探索科學，有時就要天真一些。

深度學習簡單的說就是利用人工神經網路去對當前已有的資料集進行訓練，最後得到擬合程度很高的一個模型。

舉個例子：高鐵站的人臉識別機器大家都很熟悉，人臉識別就是一個典型的深度學習應用，具體原理就是用一個龐大的人臉資料庫作為一個數據集，然後認為搭建好一個深層神經網路，透過將人臉資料輸入到這個搭建好的深層神經網路，經過長時間的訓練（有的甚至時間長達一個多月），得到一個合適的模型，在高鐵站，身份證上的身份資訊一旦識別到，就會讀取到你的人臉影象資訊，然後將這個人臉影象跟攝像頭拍攝到的人臉進行匹配，一旦匹配上了就會核驗透過。

當然深度學習不光是隻有人臉識別，像語音識別、翻譯系統、推薦系統、文字識別等都是深度學習領域範疇。

至於是否難學，要看你學到什麼程度，任何一門技術都是入門容易，精通難，深度學習由於其高度不可解釋性的原因，導致其入門門檻相比較於機器學習而言反而比較低。

深度學習主流的網路有卷積神經網路、迴圈神經網路等。

卷積神經網路通常適合於影象領域，像人臉識別、文字識別都是透過卷積神經網路完成的。迴圈神經網路適合做語音識別、翻譯系統等。.

當然深度學習也遠非如此簡單，卷積神經網路下面還有很多分支，深度可分離卷積、普通卷積、分組卷積等，迴圈神經網路也分為LSTM、普通迴圈神經網路等，除此以外還有最佳化器、啟用函式等，各種網路組合，網路橫向和縱向深度如何選擇、以及資料增強等等。

針對這些問題，現在也有很多比較簡單，容易入門的框架，像Goole的Tensorflow，Facebook的Pytorch都是非常流程深度學習框架，國內有百度開發的PaddlePaddle框架。

如果你真的想要學習深度學習，不妨試試從數字識別做起，透過卷積神經網路做一個簡單的數字識別！下面這張圖就是透過卷積神經網路識別數字的實現過程！