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。
本文旨在直观系统地梳理深度学习各领域常见概念与基本思想，使读者对深度学习的重要概念与思想有一直观理解，做到“知其然，又知其所以然”，从而降低后续理解论文及实际应用的难度。
飞桨框架的核心技术，主要包括前端语言、组网编程范式、核心架构、算子库以及高效率计算核心五部分。
在本文中，我们将分享一些将图像转换为特征向量的技术，可以在每个分类模型中使用。
在深度学习领域，被称为“目标检测”的子学科是包括通过图片、视频或网络摄像头来识别对象的过程。
在过去的 10 年里，性能最好的人工智能系统都是由一种称为「深度学习」的技术产生的。
Excelero公司首席技术官Sven Breuner和首席架构师Kirill Shoikhet分享了9个为人工智能、机器学习和深度学习准备数据中心的最佳实践。
来自周志华老师关于《关于深度学习的思考》
为什么当今的人工智能研究人员应该研究生物学和大脑？
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。
图像增强是我们在深度学习领域中绕不开的一个话题，本文我们将讨论什么是图像增强，并在三个不同的 python 库中实现它，即 Keras、Pytorch 和 augmentation（专门用于图像增强的一个库）。所以第一个问题就是什么是图像增强以及常规的数据增强。