深度学习的应用场景有很多，主要方法大多为神经网络，常见的有如下几种
而我们研究所用的比较多的是第一种，使用卷积神经网络做图像识别。
深度学习的学习方法大体分为监督学习、无监督学习、半监督学习，强化学习等。
监督学习，它的特点在于数据模型已知，主要有回归和分类。
回归可以通过神经网络模型，进行正向传播和反向传播。分类有分类器映射函数，输入的数据通过映射函数得到一个预测值，根据预测值进行分类。分类器算法有朴素贝叶斯算法、贝叶斯信念网络等。贝叶斯信念网络同样在使用神经网络，而不断学习的结果反应的是不断变化的事件条件概率（网络中的权值）。
而无监督学习是说预先不知道数据集的模型，聚类就是一种无监督学习，聚类将相同的数据聚集，而差异较大的数据分开。
既然神经网络这样重要，我们可以看一看简单的神经网络。
该图的意思是将一张猫的图片放置进入一张神经网络里，我们得到了从0到12287号神经元，一共12288个权值和变量，经过模型函数转化后，再由激活函数激活等一系列操作，我们输出y的预测值大于0.5，我们可以初步判断预测图片是一只猫。
下面具体介绍一下神经网络的学习过程，分为正向传播和反向传播，正向传播得到y的预测值y’，与y的真实值做差的平方和处理（也有其他方式的损失函数），得到一个损失函数loss,再进行反向传播，不断更新权值，使y’越来越接近y的真实值。
神经网络的应用很广，其中有一种用途，就是卷积神经网络。神经网络加上卷积层、池化层还有全连接层，这样就是一个基本的卷积神经网络。
下面说说卷积时用到的几个不可或缺的过程，卷积，池化和全连接。
卷积就是一次次矩阵运算，分为图层和卷积核，卷积核一般为3*3的大小，分别和图层进行矩阵运算，相应位置向乘再相加，得到的结果进行激活函数处理，最终得到一个新的图层，视情况，一般数值越大越接近真实值。
原乘法公式的WT，权值矩阵，就是卷积核。
而卷积带来的问题也是显而易见的，新的图层会减小，为了避免这种情况，一般先填空图层，让结果图层不会出现变小的问题。
池化，是图层缩小的过程，池化的窗口可以是2*2，也可以更大，池化的种类有最大，最小，取平均值等。最大池化的意思就是在2*2的窗口里面，选取最大的值去除其他的值，变成一个1*1的像素点。
全连接层是多维向一维的转化，将数据进行扁平化处理，方便和神经元进行全连接。
如果不只考虑图层长宽，还考虑颜色通道，这就会把二维的图层转变成三维，考虑三原色可以调配成任何颜色，所以三维的通道一般有三个，就是RGB。所以8*8的图层变成了8*8*3的三维图像，经过卷积池化和激活函数的处理，成为了6*6*4的三维预测值，这只是一次卷积运算，机器学习的过程是一次次不断的卷积池化更新权值，预测值将和真实越来越接近。
最后看一下卷积神经网络的全貌，
x是输入，经过神经网络，卷积，池化，卷积等多次操作，得到的结果进行扁平化处理，再通过全连接层，输出为y（预测值）。这便是一次神经网络的学习过程。
