1、什么是深度学习

• 深度学习所属领域是人工智能下的机器学习。

• 深度神经网络可以理解为一种特征提取工程，而不是单单理解为是一种算法，因为相对于算法，提取的特征作为输入更为重要。深度学习可以理解为能够真正学习到数据中最适宜的特征。

• 机器学习过程是数据获取→特征工程→建立模型→评估与应用，其中最重要的是特征工程，它大部分操作都是人工的，需要人工的去进行特征选取和提取，深度学习就对此做出来改进，它自我的进行学习，并且不断的迭代优化，进行特征提取。

2、特征工程作用

• 数据特征决定了模型的上限

• 预处理和特征提取是最核心的

• 算法与参数选择决定了如何逼近这个上限

3、特征如何提取

传统特征提取中找特征和权重比较难。可以将深度学习看做一个大盒子，输入数据后大盒子会自动对其进行特征提取，且提取的特征是计算机认识的和计算机认为最合适的。

4、深度学习的应用（核心还是用于计算机视觉）

• 无人驾驶：检测和识别，常常用于计算机视觉。

• 人脸识别。

• 医学检测。

• 图片上色。

5、计算机视觉

图像在计算机中被表示为三维数组，每个元素的值为0-255，值越小亮度越暗。300*100*3中的300是指图像高度，100指图像宽度，3是指图像是3色通道（最常见的三色通道是RGB）。

6、深度学习常规套路

深度学习的常规套路与机器学习一样，机器学习常规套路:收集数据并给定标签、训练一个分类器、进行测试和评估。

7、传统人工智能方法在计算机视觉任务中遇到的问题

K邻近算法是比较常见的传统人工智能算法。上图就是在计算机视觉任务中无法识别绿色的圆圈是什么类别，这时候画出一个范围K=3，也就是包含了两个三角一个正方形，这时候就将绿色的圆圈归为三角形类，而当K=5的时候，包含了两个三角三个正方形，这时候就将绿色的圆圈归为正方形类，所以K邻近算法在K取值不同时差别是较大的。

上图是K邻近算法的计算过程。

利用K邻近算法对上图所示的数据集CIFAR进行图像分类。首先是因为该数据集的量刚刚好，不会太大，也不会太小，并且图片的像素也不会太大，对于配置要求比较低。

定义了一个距离函数，也就是图像的每个对应的像素值相减，最终将所有差值的绝对值相加，就是图像之间的距离。

可以通过上诉图像看出K邻近算法进行的图像分类部分结果是出错的，问题就在于，K邻近算法不能进行背景与主体的区分。

K邻近算法进行图像分类最大的问题就是将背景相似的图像分为一类，因为背景相似是比较好计算的，但是真正的图像分类在乎的是主体部分而非背景部分。K邻近算法不能进行学习，区分主体和背景。