?一、AI、ML、DL基本關系?
機器學習是實現人工智能的途徑，深度學習是機器學習的一種方法。
人工智能 (AI)↓
機器學習 (ML) —— 讓機器從數據中學習規律↓
深度學習 (DL) —— 使用深層神經網絡的機器學習方法????????
二、深度學習與機器學習
概念
????????深度學習（Deep Learning）是機器學習的分支，是一種以人工神經網絡為架構，對數據進行特征學習的算法。 這個名字中的“深度”（Deep）來源于其核心模型——神經網絡的層數（深度）——用來自動提取特征。
????????深度學習就是用來解決特征抽取困難這一類問題的。有一些數據在機器學習中不方便進行特征提取，如文本數據、圖像數據、音頻數據。與傳統機器學習算法不同，深度學習能夠自動從原始數據中學習到有用的特征，而不需要人工特征工程，而是依賴算法自動提取特征。
????????
| 對比維度 | 機器學習 | 深度學習 |
|---|---|---|
| 模型結構 | 淺層模型（如線性回歸、SVM、決策樹、隨機森林） | 深層神經網絡（如CNN、RNN、Transformer） |
| 特征工程 | 需要人工設計和提取特征（如SIFT、HOG、TF-IDF） | 自動從數據中學習特征（端到端學習） |
| 數據需求 | 可在小到中等規模數據上表現良好 | 通常需要大量標注數據才能發揮優勢 |
| 計算資源 | CPU 通常足夠 | 依賴?GPU/TPU?進行高效訓練 |
| 訓練時間 | 相對較短 | 訓練時間較長（尤其是大模型） |
| 可解釋性 | 模型相對簡單，可解釋性強（如決策樹規則清晰） | “黑箱”模型，可解釋性差 |
| 應用場景 | 結構化數據（表格）、小樣本問題 | 非結構化數據（圖像、語音、文本）、大數據場景 |
優缺點
#1.優點
自動提取特征
精度高，性能優于其他機器學習算法，某些領域甚至超越了人類
可以擬合任意非線性關系
框架多，不需我們自己造輪子#2.缺點
黑箱，可解釋性差
網絡結構復雜，參數多，超參數也多
訓練時間長，對算力有較高要求
小數據集上表現不佳，容易過擬合三、深度學習框架
框架：是一個為解決特定問題而設計的“半成品”軟件結構，它提供了一套規范、工具和基礎代碼，幫助開發者更高效地構建應用程序
| 框架 | 開發者 | 語言 | 特點 | 適用場景 |
|---|---|---|---|---|
| PyTorch | Meta (Facebook) | Python | 動態圖、易調試、研究首選 | 學術研究、大模型、快速實驗 |
| TensorFlow | Python, JS, C++ | 靜態圖（早期）、部署強 | 工業級部署、移動端、Web | |
| Keras | Python | 高級API、簡潔易用 | 初學者、快速原型開發 | |
| JAX | Python | 函數式編程、高性能 | 科研、科學計算、前沿模型 | |
| PaddlePaddle (飛槳) | 百度 | Python | 國產、中文支持好 | 國內項目、產業應用 |
| MindSpore | 華為 | Python | 全場景、國產自主 | 政企項目、昇騰芯片適配 |
：VTK中的基本概念)
 ——217. 存在重復元素（C++))
![[特殊字符] Python在CentOS系統執行深度指南](http://pic.xiahunao.cn/[特殊字符] Python在CentOS系統執行深度指南)
