深度学习是机器学习的一个子领域，它通过模拟人脑的神经网络结构，让计算机能够从数据中学习并做出决策。以下是一些深度学习基础知识：
1. 神经网络
神经网络由多个层组成，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。
- 输入层：接收输入数据。
- 隐藏层：对输入数据进行处理，提取特征。
- 输出层：输出最终结果。
2. 激活函数
激活函数用于引入非线性因素，使神经网络能够学习复杂的模式。常见的激活函数有Sigmoid、ReLU和Tanh。
3. 损失函数
损失函数用于衡量预测值与真实值之间的差异。常见的损失函数有均方误差（MSE）和交叉熵（Cross Entropy）。
4. 优化器
优化器用于调整神经网络的权重，以最小化损失函数。常见的优化器有SGD、Adam和RMSprop。
扩展阅读
想要了解更多关于深度学习的内容，可以阅读《深度学习》（Goodfellow et al.）。
神经网络结构