深度学习在比较火的时候，很多人想从事这方面的工作，但是深度学习有哪些必须会的知识点呢？我在学习的过程中，慢慢的学习，慢慢积累，现将会的一部分记录了下来，会慢慢的更新的
1、CPU与GPU的区别
CPU：Central Processing Unit中央处理器，是一台计算机的运算核心和控制核心，
GRU：Graphic Processing Unit图形处理器，一个专门的图形核心处理器，GRU是显示卡的“大脑”，决定了该显卡的档次和大部分性能
CPU虽然有多核，但一般也就几个，每个核都有足够大的缓存和足够多的数字和逻辑运算单元，需要很强的通用性处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分歧跳转和中断处理，并辅助很多加速分支判断甚至更复杂的逻辑判断的硬件。这些都使得CPU的内部结构异常复杂，而GPU面对的则是类型高度统一的、相互依赖的大规模数据和不需要被打断的纯净的计算环境
GPU的核数远超过CPU，被称为众核，每个核拥有的缓存大小相对小，数字逻辑运算单元也少而简单，面对的则是类型高度统一的、相互无依赖的大规模数据和不需要被打断的纯净的计算环境。GPU的工作大部分是这样的：计算量大，但没什么技术含量，而且要重复很多很多次
下面的解释很好理解：
图片来自网址：
https://www.cnblogs.com/chakyu/p/7405186.html（）
2、什么样的资料集不适合深度学习的训练学习？
数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。
数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。图像中像素组成物体，语音信号中音位组合成单词，文本数据中单词组合成句子，这些特征元素的组合一旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的数据集，不适于使用深度学习算法进行处理。
举个例子：预测一个人的健康状况，相关的参数会有年龄、职业、收入、家庭状况等各种元素，将这些元素打乱，并不会影响相关的结果 例子中的各个特征之间没有相关性，所以不适合作为深度学习的语料集进行深度学习的训练。
3、激活函数的作用
定义：激活函数是映射：h:R-->R，且几乎处处可导
神经网络中激活函数的主要作用是提供网络的非线性建模能力，如不特别说明，激活函数一般而言是非线性函数，假设一个示例神经网络中仅包含线性卷积和全连接运算，那么该网络仅能够表达线性映射，即便增加网络的深度也依旧还是线性映射，难以有效建模实际环境中非线性分布的数据，加入（非线性）激活函数之后，深度神经网络才具备了分层的非线性映射学习能力。因此，激活函数是深度神经网络中不可或缺的部分。