深度学习和机器学习的区别

        深度学习和机器学习都是人工智能（AI）的重要分支，但它们在方法、应用场景和技术细节上有显著区别。

机器学习	通过算法让计算机从数据中学习规律，并做出预测或决策。核心是特征工程（人工提取数据的关键特征）和模型选择（如决策树、SVM、随机森林等）。	数据量小、特征明确、需快速部署或解释性强的场景。
深度学习	是机器学习的一个子领域，基于人工神经网络（尤其是深层结构）。其核心是自动学习特征，无需人工干预，通过多层神经网络直接从原始数据中提取高层次特征。	数据量大（尤其是图像、语音等）、问题复杂（如自然语言理解）、且算力充足时

神经网络

        人工神经网络(Artificial Neural Network，简写为ANN)也简称为神经网络(NN)。是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)结构和功能的 计算模型。

        经典的神经网络结构包含三个层次的神经网络。分别输入层，输出层以及隐藏层。

输入层	输入层是神经网络的“入口”，负责接收原始数据（如图像像素、文本词向量、传感器信号等） 将输入数据转换为神经网络可处理的数值形式（通常是向量或矩阵）
隐藏层	通过权重和激活函数对输入数据进行非线性变换，逐步提取高层次特征。 每一层隐藏层都会学习数据的不同抽象表示（如从边缘→纹理→物体部件→完整物体）
输出层	根据任务类型输出预测结果（如类别标签、数值、概率分布等） 输出层的设计需匹配具体任务（分类、回归、生成等）