Python深度学习应用、库和框架，深度学习在计算机视觉、语言翻译、图像字幕、音频转录、分子生物学、语音识别、自然语言处理、自动驾驶汽车、脑肿瘤检测、实时语音翻译、音乐等少数应用中取得了良好的效果组成，自动游戏等。
深度学习是继机器学习之后的下一个重大飞跃，具有更高级的实现。目前，它正朝着成为行业标准的方向发展，带来了在处理原始非结构化数据时成为游戏规则改变者的强烈希望。
深度学习目前是广泛的现实世界问题的最佳解决方案提供者之一。开发人员正在构建人工智能程序，而不是使用先前给定的规则，而是从示例中学习来解决复杂的任务。随着许多数据科学家使用深度学习，更深层次的神经网络正在提供越来越准确的结果。
这个想法是通过增加每个网络的训练层数来开发深度神经网络；机器学习更多关于数据的信息，直到它尽可能准确。开发者可以利用深度学习技术实现复杂的机器学习任务，训练人工智能网络具有高水平的感知识别能力。
深度学习在计算机视觉中很受欢迎。这里实现的任务之一是图像分类，其中给定的输入图像被分类为猫、狗等，或者分类为最能描述图像的类别或标签。作为人类，我们很早就学会了如何完成这项任务，并拥有快速识别模式、从先验知识中归纳和适应不同图像环境的技能。
深度学习和 Theano
如果我们想开始编写深度神经网络代码，最好了解 Theano、TensorFlow、Keras、PyTorch 等不同框架的工作原理。
Theano 是一个 python 库，它提供了一组用于构建深度网络的函数，这些深度网络可以在我们的机器上快速训练。
Theano 是在深度网络先驱 Yoshua Bengio 的领导下，在加拿大蒙特利尔大学开发的。
Theano 允许我们使用向量和矩阵来定义和评估数学表达式，这些向量和矩阵是数字的矩形数组。
从技术上讲，神经网络和输入数据都可以表示为矩阵，所有标准的网络运算都可以重新定义为矩阵运算。这很重要，因为计算机可以非常快速地执行矩阵运算。
我们可以并行处理多个矩阵值，如果我们构建具有这种底层结构的神经网络，我们可以使用带有 GPU 的单台机器在合理的时间窗口内训练巨大的网络。
然而，如果我们使用 Theano，我们必须从头开始构建深层网络。该库不提供创建特定类型的深层网络的完整功能。
相反，我们必须对深度网络的每个方面进行编码，如模型、层、激活、训练方法和任何特殊方法以停止过度拟合。
然而，好消息是 Theano 允许在向量化函数之上构建我们的实现，为我们提供高度优化的解决方案。
还有许多其他库可以扩展 Theano 的功能。TensorFlow 和 Keras 可以与 Theano 作为后端一起使用。
使用 TensorFlow 进行深度学习
Google 的 TensorFlow 是一个 Python 库。该库是构建商业级深度学习应用程序的绝佳选择。
TensorFlow 源自另一个库 DistBelief V2，它是 Google Brain Project 的一部分。该库旨在扩展机器学习的可移植性，以便研究模型可以应用于商业级应用程序。
与 Theano 库非常相似，TensorFlow 基于计算图，其中节点代表持久数据或数学运算，边代表节点之间的数据流，它是一个多维数组或张量；因此得名 TensorFlow
一个操作或一组操作的输出作为输入提供给下一个操作。
尽管 TensorFlow 是为神经网络设计的，但它也适用于可以将计算建模为数据流图的其他网络。
TensorFlow 还使用了 Theano 的几个特性，例如公共和子表达式消除、自动微分、共享和符号变量。
可以使用 TensorFlow 构建不同类型的深度网络，如卷积网络、自动编码器、RNTN、RNN、RBM、DBM/MLP 等。
但是TensorFlow不支持配置超参数。对于这个功能，我们可以使用Keras。
深度学习和 Keras
Keras 是一个功能强大且易于使用的 Python 库，用于开发和评估深度学习模型。
它具有极简主义的设计，可以让我们一层一层地构建一个网络；训练它，然后运行它。
它封装了高效的数值计算库 Theano 和 TensorFlow，并允许我们在几行简短的代码中定义和训练神经网络模型。
它是一个高级神经网络 API，有助于广泛使用深度学习和人工智能。它运行在许多较低级别的库之上，包括 TensorFlow、Theano 等。Keras 代码是可移植的；我们可以使用 Theano 或 TensorFlow 作为后端在 Keras 中实现一个神经网络，而无需更改任何代码。
