深度学习是一种基于人工神经网络的机器学习方法，它通过多层神经网络对数据进行建模和学习，从而使计算机能够自动从数据中提取特征并进行预测。深度学习在图像处理、语音识别、自然语言处理等领域取得了显著的突破，特别是在大数据和强大计算能力的支持下，深度学习已成为解决复杂问题的主要技术。
清华大学 Jittor 团队提出了一种基于细分结构的网格卷积网络 SubdivNet。该方法首先将输入网格进行重网格化（remesh），构造细分结构，得到一般网格的多分辨率表示，并提出了直观灵活的面片卷积方法、上 / 下采样方法，并将成熟的图像网络架构迁移到三维几何学习中。
超分辨率重建技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像。SR可分为两类：① 从多张低分辨率图像重建出高分辨率图像；② 从单张低分辨率图像重建出高分辨率图像。
机器学习领域是巨大的，为了学习不迷路，可以从以下列表帮助学习。它概述深度学习的一些学习细节。
本文总结了文本分类相关的深度学习模型、优化思路以及今后可以进行的一些工作。
神经网络是深度学习的载体，而神经网络模型中，最经典非RNN模型所属，尽管它不完美，但它具有学习历史信息的能力。
Precision精确率， Recall召回率，是二分类问题常用的评价指标。
本资源收录了机器学习课程用到的相关术语，涉及机器学习基础、机器学习理论、DNN、CNN、RNN、GAN等。
深度学习神经网络模型中的量化是指浮点数用定点数来表示，也就是在DSP技术中常说的Q格式。神经网络模型在训练时都是浮点运算的，得到的模型参数也是浮点的。
“人工智能”、“机器学习”和“深度学习”这三个词经常交替出现，但如果你正在考虑从事人工智能的职业，了解它们之间的区别是很重要的。
深度学习是机器学习算法的子类，其特殊性是有更高的复杂度。因此，深度学习属于机器学习，但它们绝对不是相反的概念。我们将浅层学习称为不是深层的那些机器学习技术。