深度学习是人工智能领域中的一种机器学习方法，其通过多层神经网络来学习数据的抽象表示，从而实现对数据的理解和预测。这种技术已经在图像识别、自然语言处理、机器翻译等领域取得了突破性的进展。 深度学习的基本概念包括神经网络，这是一种模仿生物神经系统结构和功能的计算模型，由大量简单处理单元（神经元）相互连接构成。每个神经元接收来自其他神经元的输入信号，进行加权求和，并通过激活函数进行非线性变换，输出信号传递给其他神经元。 神经网络的基本结构包括输入层、隐藏层和输出层。输入层用于接收数据，隐藏层用于对数据进行抽象表示，输出层用于输出预测结果。其中，激活函数是神经网络中不可或缺的一部分，它引入非线性因素，使得神经网络能够学习更复杂的模式。常用的激活函数包括Sigmoid函数、ReLU函数等。 反向传播算法是训练神经网络的重要算法，它通过计算损失函数对每个参数的偏导数，并沿着梯度下降的方向更新参数，从而最小化损失函数。而梯度下降法是一种常用的优化算法，通过不断迭代，沿着损失函数的梯度下降方向，寻找最优解。 深度学习的发展历程经历了多个阶段，包括1950年代人工神经网络概念的提出，1980年代反向传播算法的出现，2000年代深度学习的兴起，以及2010年代深度学习的快速发展。 卷积神经网络（CNN）是一种专门用于处理图像数据的深度学习模型。它通过卷积操作来提取图像的特征，并在池化层进行特征降维，最终进行分类或回归预测。卷积层使用一个小的卷积核在图像上滑动，并计算每个位置的卷积结果，从而提取图像的局部特征。 在深度学习中，还存在一些问题和挑战。例如，梯度消失问题是指在深层神经网络中，随着网络层数的增加，梯度信息在反向传播过程中逐渐减小，导致网络难以学习。另外，合适的权重初始化策略可以有效缓解梯度消失问题。 深度学习模型的性能通常需要通过损失函数来衡量，常用的损失函数包括均方误差（MSE）、交叉熵损失等。选择合适的损失函数取决于具体任务和数据分布。 深度学习是一门强大的技术，它在许多领域都取得了超越传统机器学习的性能。然而，深度学习也存在一些问题和挑战，需要我们不断地探索和解决。通过不断的学习和实践，我们可以更好地理解和应用深度学习技术。

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『计算机视觉和深度学习基础』主题（其他部分的下载链接见评论区），包含以下部分： Low Level / Classical Techniques in Vision And Image Processing（视觉和图像处理中的低层次/经典技术） Deep Learning Fundamentals（深度学习基础） Seminal & Foundational Topics in Deep Learning（深度学习中的标志性和基础性课题） Neural Networks Designed for Sequential Data （为序列数据设计的神经网络 Transfer Learning（迁移学习） Unsupervised & Self-Supervised Learning（无监督和自我监督的学习）

深度学习领域的一个基础课件，有助于大家对于深度学习的学习。

说明：本教程将阐述无监督特征学习和深入学习的主要观点。通过学习，你也将实现多个功能 学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。

李宏毅2022深度学习笔记

第6-2课 深度学习基础与编程实现

高清版，斯坦福大学-深度学习基础教程，BAT算法工程师深入详细地讲解斯坦福大学-深度学习基础教程，带你轻松入门深度学习!

Nvidia-DLI-sC-FX-01 英伟达的DLI计算机视觉深度学习基础课程

TensorFlow深度学习基础与应用-源代码.zip

人工智能深度学习基础实践-教案.zip