什么是深度学习
深度学习（Deep Learning）是机器学习的一个分支领域，核心思想是使用包含多个隐藏层的人工神经网络来自动学习数据的层次化特征表示。与传统机器学习依赖人工特征工程不同，深度学习通过端到端学习直接从原始数据中提取从低级到高级的抽象特征。
为什么需要"深度"
"深度"指网络包含多个隐藏层。浅层网络学习简单特征（如边缘、颜色），深层网络在这些基础上组合出更抽象的概念（如物体部件、面部特征、语义概念）。层数越多，网络能表达的复杂度越高。
关键驱动因素
深度学习的爆发得益于三大要素：大数据（海量训练数据）、高性能计算（GPU/TPU 的并行计算能力）和算法突破（ReLU 激活函数、批归一化、残差连接等技术的出现解决了深层网络的训练困难）。
主流模型架构
- ·卷积神经网络（CNN）：图像和视频领域的基石
- ·循环神经网络（RNN/LSTM/GRU）：序列建模的传统选择
- ·Transformer：2017 年提出后迅速统治 NLP 领域，并逐步扩展到视觉和多模态
- ·扩散模型（Diffusion Model）：当前最先进的图像和视频生成技术