一.深度学习的基本概念
1.卷积神经网的思维导图：
2.深度学习的发展历程(三起两落）
. 1943年，人工神经网络:没有得到重视
. 1957年，感知器模型：解决常见的线性分类和线性回归的任务，但没有办法解决异或问题
. 1980年，多层感知器：解决单层感知机的问题，但没办法解决网络参数的计算问题
. 1986年，反向传播算法：解决对于少数层神经网络训练的问题，随着网络的加深容易出现梯度消失和梯度爆炸的问题，使得网络参数没有办法得到有效的求解，另外也容易陷入局部最优解的情况。
. 1998年，卷积神经网：没有得到重视
. 2006年,深度学习：通过逐层预训练的方法解决了深层训练的问题
. 2012年,AlexNet：在ImageNet图像识别挑战赛上一鸣惊人，在准确度上远超传统的方法，开启了深度学习迅速发展的元年。
从2012年开始，各种深度学习网络结构层出不穷，在图像，语言处理，图像识别等等不同的方面，深度学习都逐渐取缔了传统的方法，在目标检测，目标分割，文本分类，机器翻译等等邻域取得性能上的突破，也引领了工业界人工智能应用的热潮。
3.什么是人工神经网络？
人工神经网络属于机器学习的一种方法。
（1）神经元形成网络
（2）神经网络：输入层，隐藏层，输出层
4.什么是感知器？
（1）第一个具有完整算法描述的神经网络学习算法（PLA)
（2）任何线性分类或线性回归问题都可以用感知器来解决
.分类VS回归：分类指的是我们当前的网络所预测的结果是离散的值，我们将这个值作为当前的样本所属的类别的标签。
回归指的是我们当前的网络所预测的结果是连续的值。
（3）这里的隐藏层是对上一层的加权求和，阶跃函数作为输出层，完成一个二分类的分类任务。如果完成回归任务，则将阶跃函数换成sigmoid函数。人工神经网络实际上由多个感知器组成。
5.从多层感知器到人工神经网络
多层感知机也叫人工神经网络
6.什么是深度学习？
.含多层隐藏层的多层感知机就是一种深度学习结构，比人工神经网络的隐藏层的层数非常多。层与层的连接关系表达了数据流向和节点和节点的关联。
小总结：由多个神经元，我们就可以构造出一个感知器模型，通过多个感知器进行组合成多层感知器，这个多层感知器就是一种简单的神经网络结构，将隐藏层的层数加深，就得到深度学习。
