人工智能（Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
机器学习（Machine Learning），是指用某些算法指导计算机利用已知数据得出适当的模型，并利用此模型对新的情境给出判断的过程。
深度学习（Deep Learning），其概念源于人工神经网络的研究，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
在深度学习中，经常会提到卷积的概念。那么，卷积到底是什么呢？实际上，卷积是通过两个函数f和g生成第三个函数的一种数学算子，表征函数f与g经过翻转和平移的重叠部分的面积。可参考下图进行理解。
弄清楚了卷积，我们再来看看卷积神经网络（CNN）。一个标准的卷积神经网络，主要包括：输入层（Input Layer）、卷积层（Convolutional Layer）、池化层（Pooling Layer）、激活层（Activation Layer）、全连接层（Fully Connected Layer）、损失层（Loss Layer）。
下面，我们介绍深度学习中一些常用的层。
卷积层（Convolutional Layer）
卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征，比如：边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
池化层（Pooling Layer）
池化实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化（Max pooling）”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。直觉上，这种机制能够有效的原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。
