又一绝大话题，铺开了多少本书也描述不完，只能先占个坑了。

人工智能

AI(artifical intelligence) # 注： 是artificial不是article，千万别弄错了。

人工智能（Artificial Intelligence），英文缩写为AI。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技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

实际上，人工智能这么大，不要想着一口吃个胖子，不可能，任何一领域哪怕是很小的领域，都够许多人付出无数个日夜了，能在某个分支的某个岗位上发光发热就很不错了。
例如特种兵是很优秀的兵，对于个人来说，可以是南部战区某舰蛟龙突击队的一员突击队员，已经很优秀了。

所以，对于一般的职场人来说，能在新兴领域找到合适的岗位就不差，当然能力范围内做更多更高价值的事情是更好的。

所以，选定某个方向或分支很重要。什么，你还不知道有哪些分支，那说明和我一样盲目。

人工智能或打磨性能主要部件 TODO

人工智能-数据模态

人工智能-目标函数

人工智能-学习方式

人工智能的算法有哪些?

人工智能的核心

数据、算法、算力。

人工只能分为哪几层。

神经网络与深度学习

这应该算是其中一个分支，里面就有很多东西。

卷积神经网络(cnn)

cnn(convolutional nerual networks) # 卷积神经网络

应用领域：
图像识别(自动驾驶等)

如何理解卷积神经网络

比较好理解。
例如100100的图。拿1010的格子进行扫描，每次偏移1，需要移动100次就可以完成扫描。
如果每次偏移2，需要移动25次(横向和纵向都受影响)就可以完成扫描。

卷积神经网络的计算次数和什么有关

卷积核参数
卷积核大小（D×D）：卷积核越大，参数量和计算量呈平方增长。 ‌
输入/输出通道数（M/N）：参数量公式为 D×D×M×N，计算量为 D×D×M×N×Df²（Df为输出特征图尺寸）。 ‌
步幅与填充
步幅（Stride）：步长越大，输出特征图尺寸越小，但单次卷积覆盖范围更广，可能影响计算效率。 ‌
填充（Padding）：填充方式（如"same"或"valid"）改变输出尺寸，间接影响计算量。 ‌

卷积类型
普通卷积：计算量为 D×D×M×N×Df²。 ‌

深度可分离卷积：参数量和计算量约为普通卷积的1/9，通过分离空间和通道操作降低复杂度。 ‌

网络结构
层数与通道数：模型越深、通道数越多，总运算次数显著增加。 ‌

模型优化技术：如剪枝、量化等可减少冗余计算。 ‌

循环神经网络(rnn)

rnn(recurrent nerual networks) # 循环神经网络

应用领域：
语音识别
文本提取等

卷积神经网络和循环神经网络的对比

维度	卷积神经网络（CNN）	循环神经网络（RNN）	Transformer
主要结构	卷积层、池化层、全连接层	循环隐藏层、时间步递归	编码器-解码器结构，多头自注意力机制
处理数据类型	网格结构数据（图像、音频）	序列数据（文本、语音、时间序列）	序列数据，支持并行处理
计算效率	高，支持并行	低，序列依赖，难并行	高，完全并行，适合大规模训练
长距离依赖建模	有限，感受野限制	有限，梯度消失问题	优秀，自注意力捕捉任意距离依赖
参数共享	卷积核权重共享	时间步权重共享	无权重共享，注意力权重动态计算
优点	参数少，适合图像特征提取	适合序列建模，捕捉时间依赖	并行高效，长距离依赖，灵活性强
缺点	不适合长序列依赖	训练难，梯度消失，计算慢	计算资源需求高，模型复杂
典型应用	图像分类、目标检测、语音识别	机器翻译、语音识别、文本生成	机器翻译、文本理解、图像识别

局部连接与权重共享

局部连接

神经网络相关文档

【AI概念】卷积神经网络（CNN）vs. 循环神经网络（RNN）vs. Transformer详解（附详尽Python代码演示）| 定义与原理、数学公式、案例与代码可视化、结构对比与优缺点 # 写的比较详细

【深度视觉】第四章：卷积神经网络架构 # 图文并茂 好

deepseek和人工智能的关系。

人工智能是个很大的领域，deepseek是实现人工智能的一个产品。

2024年底的时候deepseek起了个头，到今年国家做AI十年规划，形势一目了然。
==前十年

就这样了，新的风口即使达不到最前沿，跟上脚步就不会太差==。

其他

人工智能算法、模型、框架 # 有一定描述

https://arxiv.org # 科学论文预印本网站，可以理解为许多第一手论文的网站，国内好像访问不了，被墙了