锋哥原创的Scikit-learn Python机器学习视频教程：
https://www.bilibili.com/video/BV1X5xVz6E4w/
课程介绍
本课程主要讲解基于TensorFlow2的Python深度学习知识，包括深度学习概述，TensorFlow2框架入门知识，以及卷积神经网络（CNN），循环神经网络（RNN），生成对抗网络（GAN），模型保存与加载等。
TensorFlow2 Python深度学习 - 深度学习概述
深度学习简介
深度学习是机器学习的一个分支，它试图模拟人脑的工作方式，通过多层的"神经元"网络来学习和理解数据中的复杂模式。
具体通俗的例子：
想象一下教小孩认识猫：
传统编程：我们告诉孩子"猫有尖耳朵、胡须、四条腿..."
机器学习：我们给孩子看很多猫的图片，让孩子自己总结特征
深度学习：大家给孩子看海量的猫图片，孩子的大脑会自动学习从简单到困难的特征（边缘→形状→局部特征→整体）
深度学习与机器学习的区别
特征工程的革命
传统机器学习：需要人工设计特征
比如：为了识别猫，需要手动提取颜色、纹理、形状等特征
深度学习：自动学习特征
网络自己学习什么特征最重要
性能对比
| 方面 | 传统机器学习 | 深度学习 |
|---|---|---|
| 数据量 | 小资料表现好 | 大数据优势明显 |
| 特征工程 | 需要专家知识 | 自动特征学习 |
| 计算需求 | 相对较低 | 需要强大算力（GPU） |
| 可解释性 | 相对较好 | "黑箱"问题 |
CPU vs GPU
CPU（中央处理器）和GPU（图形处理器）是计算机系统中的两种主要硬件，它们各自有不同的设计和用途。以下是它们的主要区别：
功能
CPU：关键负责计算机的所有核心处理任务，执行操作系统指令、运行应用程序等，适用于广泛的任务。
GPU处理图像、视频和图形计算。它通常处理并行计算任务，如3D图形渲染、机器学习训练等。就是：专门用于图形渲染，特定
结构
CPU：通常拥有少量的核心（例如4核、8核），每个核心处理任务的能力非常强，但它们的并行处理能力相对较弱。CPU擅长单线程处理任务。
GPU：拥有大量的核心（如数百到数千个核心），每个核心相对较简单，但它们能够同时执行大量的相同或相似任务，因此适合并行计算。
处理任务
CPU：擅长执行艰难的、需要频繁分支和决策的计算任务，如操作系统管理、数据库查询、文字处理等。
GPU：擅长执行高度并行的计算任务，如图像渲染、视频处理、深度学习、科学计算等。
性能
CPU：尽管每个核心性能强大，但并行处理能力较弱，适合处理较艰难的任务，但在多任务并行处理时不如GPU。
GPU：由于其拥有大量的核心，它在处理可以并行化的任务时，性能要远远超过CPU，尤其是在图形和深度学习等领域。
功耗
CPU：通常功耗较低，适用于日常计算需求。
GPU：因为有大量的核心，功耗较高，尤其在进行图形渲染或深度学习训练时。
使用场景
CPU：主要用于日常计算任务，如操作系统运行、软件应用、浏览网页等。
GPU：主要用于需要大量并行计算的场景，如3D游戏、视频解码、图像处理、深度学习、科学计算等。
总结：
CPU：通用性强，适合复杂任务和决策性任务，核心数较少，但每个核心强大。
GPU：专门用于并行计算，适合大规模数据处理和图形渲染，核心数多，但每个核心较简便。
简单来说，CPU适合处理复杂的单一任务，而GPU则擅长处理大量相同的并行任务。
深度学习的应用领域
计算机视觉
图像分类：识别图片中的物体
目标检测：找出图中物体的位置
图像生成：创建新的图像（如DALL-E、Stable Diffusion）
自然语言处理
机器翻译：Google Translate、DeepL
文本生成：ChatGPT、文心一言
情感分析：分析文本的情感倾向
语音识别
智能助手：Siri、小爱同学
语音转文字：会议记录、字幕生成
其他领域
自动驾驶：环境感知、决策控制
医疗诊断：医学影像分析、药物发现
推荐系统：电商、视频平台的内容推荐
深度学习框架介绍
TensorFlow 2.x
开发公司：Google当前状态：业界最流行的生产级框架
核心特点：
✅ Keras深度集成：简单易用的高级API
✅ 生产就绪：完整的从研究到部署的生态
✅ 跨平台支持：服务器、移动端、Web、嵌入式
✅ 强大的可视化：TensorBoard工具
✅ 丰富的预训练模型：TF Hub模型库
优势：
部署生态最完善（TensorFlow Serving, Lite,.js）
社区庞大，资源丰富
工业界应用广泛
劣势：
学习曲线相对陡峭（尽管TF2已简化）
动态图调试不如PyTorch直观
适用场景：
生产环境部署
大型企业项目
端到端AI管道
移动端和边缘设备
PyTorch
开发公司：Facebook (Meta)当前状态：学术界最流行的研究框架
核心特点：
✅ Pythonic设计：代码直观，易于调试
✅ 动态计算图：更灵活的模型设计
✅ 强大的研究生态：大量最新论文实现
✅ 优秀的调试体验：与Python调试器完美集成
优势：
研究社区活跃，新算法建立快
代码简洁，易于理解和修改
动态图更适合可变长度输入
劣势：
生产部署相对复杂（虽然TorchServe在改善）
移动端协助不如TensorFlow成熟
适用场景：
学术研究和实验
需要高度灵活性的计划
快速原型构建
