一、AI、ML、DL基本关系
机器学习是实现人工智能的途径，深度学习是机器学习的一种方法。
人工智能 (AI)↓
机器学习 (ML) —— 让机器从数据中学习规律↓
深度学习 (DL) —— 使用深层神经网络的机器学习方法 
二、深度学习与机器学习
概念
深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行特征学习的算法。 这个名字中的“深度”（Deep）来源于其核心模型——神经网络的层数（深度）——用来自动提取特征。
深度学习就是用来解决特征抽取困难这一类问题的。有一些数据在机器学习中不方便进行特征提取，如文本数据、图像数据、音频数据。与传统机器学习算法不同，深度学习能够自动从原始数据中学习到有用的特征，而不需要人工特征工程，而是依赖算法自动提取特征。
| 对比维度 | 机器学习 | 深度学习 |
|---|---|---|
| 模型结构 | 浅层模型（如线性回归、SVM、决策树、随机森林） | 深层神经网络（如CNN、RNN、Transformer） |
| 特征工程 | 需要人工设计和提取特征（如SIFT、HOG、TF-IDF） | 自动从数据中学习特征（端到端学习） |
| 数据需求 | 可在小到中等规模数据上表现良好 | 通常需要大量标注数据才能发挥优势 |
| 计算资源 | CPU 通常足够 | 依赖 GPU/TPU 进行高效训练 |
| 训练时间 | 相对较短 | 训练时间较长（尤其是大模型） |
| 可解释性 | 模型相对简单，可解释性强（如决策树规则清晰） | “黑箱”模型，可解释性差 |
| 应用场景 | 结构化数据（表格）、小样本问题 | 非结构化数据（图像、语音、文本）、大数据场景 |
优缺点
#1.优点
自动提取特征
精度高，性能优于其他机器学习算法，某些领域甚至超越了人类
可以拟合任意非线性关系
框架多，不需我们自己造轮子#2.缺点
黑箱，可解释性差
网络结构复杂，参数多，超参数也多
训练时间长，对算力有较高要求
小数据集上表现不佳，容易过拟合三、深度学习框架
框架：是一个为解决特定问题而设计的“半成品”软件结构，它提供了一套规范、工具和基础代码，帮助开发者更高效地构建应用程序
| 框架 | 开发者 | 语言 | 特点 | 适用场景 |
|---|---|---|---|---|
| PyTorch | Meta (Facebook) | Python | 动态图、易调试、研究首选 | 学术研究、大模型、快速实验 |
| TensorFlow | Python, JS, C++ | 静态图（早期）、部署强 | 工业级部署、移动端、Web | |
| Keras | Python | 高级API、简洁易用 | 初学者、快速原型开发 | |
| JAX | Python | 函数式编程、高性能 | 科研、科学计算、前沿模型 | |
| PaddlePaddle (飞桨) | 百度 | Python | 国产、中文支持好 | 国内项目、产业应用 |
| MindSpore | 华为 | Python | 全场景、国产自主 | 政企项目、昇腾芯片适配 |
：VTK中的基本概念)
 ——217. 存在重复元素（C++))
![[特殊字符] Python在CentOS系统执行深度指南](http://pic.xiahunao.cn/[特殊字符] Python在CentOS系统执行深度指南)
