人工神经网络(ANN)它是一种高效的计算系统，其中心主题借鉴了生物神经网络的类比.神经网络是机器学习的一种模型.在20世纪80年代中期和90年代初期，在神经网络中进行了许多重要的建筑改进.在本章中，您将学习更多关于深度学习的知识.深度学习是从十年的爆炸式计算增长中脱颖而出，成为该领域的一个重要竞争者.因此，深度学习是一种特殊的机器学习，其算法受到人脑结构和功能的启发.
机器学习v/s深度学习
如今，深度学习是最强大的机器学习技术.它是如此强大，因为他们学习如何在学习如何解决问题的同时表达问题.深度学习和机器学习的比较在下面和下面给出;
数据依赖性
第一个差异点是基于DL的性能和ML当数据规模增加时.当数据量很大时，深度学习算法的表现非常好.
机器依赖性
深度学习算法需要高端机器才能完美运行.另一方面，机器学习算法也适用于低端机器.
特征提取
深度学习算法可以提取高级功能和也尝试从同样的东西中学习.另一方面，专家需要识别机器学习提取的大部分功能.
执行时间
执行时间取决于算法中使用的众多参数.深度学习比机器学习算法具有更多参数.因此，DL算法的执行时间，特别是训练时间，远远超过ML算法.但DL算法的测试时间少于ML算法.
解决问题的方法
深度学习解决了端到端的问题机器学习使用传统的方法解决问题，即将其分解为部分.
卷积神经网络(CNN)
卷积神经网络是与普通神经网络相同，因为它们也由具有可学习权重和偏差的神经元组成.普通的神经网络忽略了输入数据的结构，所有数据在送入网络之前都被转换成1-D阵列.此过程适合常规数据，但如果数据包含图像，则过程可能很麻烦.
CNN可以轻松解决此问题.它在处理图像时将图像的2D结构考虑在内，这允许它们提取特定于图像的属性.这样，CNN的主要目标是从输入层中的原始图像数据到输出层中的正确类.普通NN和CNN之间的唯一区别在于输入数据和层类型的处理.
CNN架构概述
架构上普通神经网络接收输入并通过一系列隐藏层对其进行变换.在神经元的帮助下，每一层都与另一层相连.普通神经网络的主要缺点是它们不能很好地扩展到完整的图像.
CNN的体系结构具有三维排列的神经元，称为宽度，高度和深度.当前层中的每个神经元都连接到前一层输出的小块.它类似于在输入图像上叠加