什么是人工智能/机器学习/深度学习/神经网络?
人工智能 artificial intelligence=AI
人工智能的应用：
现有的已经普及，常见的人工智能
1、云助手
云助手是专为云服务器ECS打造的原生自动化运维工具，通过免密码、免登录、无需使用跳板机的形式，在ECS实例上实现批量运维、执行命令（Shell、Powershell和Bat）和发送文件等操作。典型的使用场景包括：安装卸载软件、启动或停止服务、分发配置文件和执行一般的命令（或脚本）等。
如语音助手（小爱，siri,等）
2、推送（文章、视频、图片，产品等推送，如淘宝，B站，京东等）
3、自动化仓库
4、垃圾邮件归类
最新的人工智能
1、deep fake三剑客
1）人脸替换
2）AI合成（声音）
只抓取你5秒的声音，可以以的声音读任何一段文字。
2、deep fake detect的AI
1）用来识别那些视频是真的，哪些视频时伪装的。
2）AI检测你的美图是否被修改过
机器学习 Machine Learning
奠定了人工智能的基础
计算机学习我们所“告诉”它们的知识，之后它能凭借所写“知识”做出判断。
机器学习的运作如下：
计算中任意数字都是以“0”和“1”来表示的，图片也是根据数字构成的。
屏幕中的每一个像素点都可以用数字来代表它亮度
我们教导计算机这个图是什么？那个图是什么？的过程，是为了让计算机得出上面这个公式的。
计算机如果能够得出这个公式，就能把图片是什么才出来。
教导计算机学习的这一过程叫做训练（training)
计算机识别图像的正确率很高（90%，甚至99%）
有的公式运算速度快，计算简单，识别正确率并不高，有的公式运算满，但是识别正确率很高。
计算机再生成公式，即训练也是需要花很多时间的。
人工神经网络，
其实就是一个数学公式，数学模型。
它是仿照生物大脑的神经细胞来工作的。
我们就是用这个复杂的网络来侦察外部环境的变化来控制和调节自身的行为，以及内环境的稳态。
信号如何传递
首先神经元通过很多突触与其它的神经元连接，突出能将一个神经元的信号传递给另一个神经元，并且信号是否能够继续传递，取决于神经元受到信号的强度，以及突触是否对该信号进行抑制或者加强。突触的强度呢？有强有弱，可以通过训练不断断改变，具有一定的可塑性，
神经元之间信号的传递不过是一堆数字之间的运算而已、
并且在计算机模拟的神经网络中，我们将复杂的神经网络简化成，一层一层相连的结构。每一层的神经元和下一层的神经元间信号一层一层，接连传递，知道最后一层，
第一层信号就是代表左图1的1万个数字，然后经过层层运算得到最后一层的那个数字，就是用来代表图片中，内容的那个结果。
NN=Neural Network
比如CNN/RNN,指的就是人工神经网络。
它是机器学习中的一类模型
深度学习就是人工神经网络的一个特例，
深度学习的例子：（应用场景）
深度学习中的‘深度’这个词，并不是指学习的内容或者知识有多么深，或者知识的难度有多么高，
人工神经网络只画了四层，但是深度学习可以画很多层，10层，20层，30层，甚至50层，因为大规模的神经网络可以胜任更困难的工作。
比如：识别成百上千的物体（图1），胜任几十门外语之间的自由翻译（图2）
深度学习的缺点：
计算量大，并且对硬件要求很高。
神经网络为什么可以做这么深？
图1
图2
自己做深度学习通常要配置一个顶级的显卡，显卡不仅仅用来打游戏，可以用来进行图形渲染，它可以用来做大规模的并行运算。如果没有一个好的显卡，可以用云端的服务（如图3所列），服务不是免费的，（比如充值，或者送礼）
图3 好的显卡云端服务
下面是深度学习的工具/框架（如图4所列）
图4 深度学习的工具
图5（如瑞士军刀）涵盖从低层次的数据运算（图5）到拿来可以直接使用的模型（图6）。（并且有最终的模型布置到移动式设备或最终服务器如图7，图8）这样可以优化这些模型的运行速度
图5
图6
图7
图8
如果想快速尝试新的模型用下面的pytorch，（完全可以按照自己的喜好进行选择
更简洁，更容易
深度学习的框架和工具不只有上面2种，其他的深度学习框架包括（图9所列）微软的ONNX，Caffe,theano, Pytorch j界的鼻祖torch,以及Java的深度学习的框架。DL4J(Deep learning 4J)，这些是深度学习经常用到的工具和框架。
图9
百分之八十的深度学习用python，
up主的建议：
学习人工智能和机器学习前对整体最好有一个认知。了解这个领域到底研究什么样的问题，然后从实践入手，遇到什么样的问题，学习什么样的知识。动手实践比折腾公式更有意义，更高效，最好先了解整体，再去学相关的基础知识（比如，微积分，概率论，线性代数，机器学习等），
