人工神经网络简称为神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。例如实现图像识别时，只需先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。
第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，会很快找到优化解。
神经网络在之前有非常多的问题，比如层数无法深入过多、有太多的参数需要调节、样本数据量过小等。总之，之前是一门并不被看好的技术。直到2006年，Hinton在《Science》和相关期刊上发表了论文，首次提出了“深度信念网络”的概念。
和神经网络一样，深度学习也是一个算法的集合，只不过是一种新的算法和结构。新的网络结构中最著名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了“局部感受野”和“权植共享”的概念，大大减少了网络参数的数量，关键是这种结构确实很符合视觉类任务在人脑上的工作原理。新的方法就多了，包括新的权重初始化方法、新的损失函数、新的防止过拟合方法等等。
深度学习（神经网络）由于解决了早期人工智能的一些遗留问题，在大数据和大算力的加持下，使得人工智能重新进入到大众的视野，并在视觉识别，图像识别，语音识别，棋类AI中成为核心技术。
人工智能之前的两次浪潮都消失在了历史的长河里，他们在那个年代都遇到了自己的问题，比如第一次是因为在完美的完成了一些人工智能项目后，遇到更复杂的需求时却被发现当时的人工智能技术，并没有能力将其解决，导致了世界主力研究的国家中断了人工智能的研究经费。第二次浪潮的时候，因为专家系统为很多企业带来非常大的作用和效益，人工智能又准备大力发展的时候，被第四代计算机的强有力发展挤占的没有空间，几乎绝大多数的资金和人力都投入到了第四代计算机的发展行列中去。
有人担心第三次人工智能浪潮也会像前两次一样陷入困境，对此，神经网络之父杰Hinton认为，随着神经网络及新兴技术的出现，人工智能已经走进我们的生活，不会再有冬天。
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。例如实现图像识别时，只需先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。
第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，会很快找到优化解。
神经网络在之前有非常多的问题，比如层数无法深入过多、有太多的参数需要调节、样本数据量过小等。总之，之前是一门并不被看好的技术。直到2006年，Hinton在《Science》和相关期刊上发表了论文，首次提出了“深度信念网络”的概念。
和神经网络一样，深度学习也是一个算法的集合，只不过是一种新的算法和结构。新的网络结构中最著名的就是CNN，它解决了传统较深的网络参数太多，很难训练的问题，使用了“局部感受野”和“权植共享”的概念，大大减少了网络参数的数量，关键是这种结构确实很符合视觉类任务在人脑上的工作原理。新的方法就多了，包括新的权重初始化方法、新的损失函数、新的防止过拟合方法等等。
深度学习（神经网络）由于解决了早期人工智能的一些遗留问题，在大数据和大算力的加持下，使得人工智能重新进入到大众的视野，并在视觉识别，图像识别，语音识别，棋类AI中成为核心技术。
人工智能之前的两次浪潮都消失在了历史的长河里，他们在那个年代都遇到了自己的问题，比如第一次是因为在完美的完成了一些人工智能项目后，遇到更复杂的需求时却被发现当时的人工智能技术，并没有能力将其解决，导致了世界主力研究的国家中断了人工智能的研究经费。第二次浪潮的时候，因为专家系统为很多企业带来非常大的作用和效益，人工智能又准备大力发展的时候，被第四代计算机的强有力发展挤占的没有空间，几乎绝大多数的资金和人力都投入到了第四代计算机的发展行列中去。
有人担心第三次人工智能浪潮也会像前两次一样陷入困境，对此，神经网络之父杰Hinton认为，随着神经网络及新兴技术的出现，人工智能已经走进我们的生活，不会再有冬天。
