Hello World!

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，它在2014年由Ian Goodfellow首次提出，该模型通过框架中（至少）两个模块：生成模块（Generative Model）和判别模块（Discriminative Model）的互相博弈学习产生相当好的输出。随后几年里，GAN飞速发展，产生了广泛的应用。并衍生出了很多流行的模型变种，比如DCGAN、C-GAN、WGAN、pix2pix等等。

图像语义分割(Semantic Segmentation) 是图像处理和机器学习视觉技术中关于图像理解的重要一环，也是 AI 领域中一个重要的分支。图像语义分割问题就是对图像中的不同物体打上语义标签（用不同的颜色代表不同类别的物体），其本质即是对图像中每一个像素点进行分类，确定每个点的类别（如属于背景、人或车等），从而进行区域划分。目前，语义分割已经被广泛应用于自动驾驶、无人机落点判定等场景中。其实，图像语义分割问题相对于传统的神经网络分类就是将概率分类问题扩展到了二维空间的每个像素点上，因此...

基于全连接神经网络的种种弊端，卷积神经网络(CNN)横空出世。卷积神经网络的核心思想在于：我们能不能将传统神经网络在识别图像时变得像人一样灵活，能够用双眼去识别图像的特征从而在大脑中聚合特征信息得到识别结果，而不是盲目的去学习全部？卷积神经网络结构主要由：输入层、卷积层、池化层、激活层、全连接层 组成，我们将分别介绍。

深度学习的核心就是各种不同的神经网络模型（CNN、RNN、GCN、GNN等）的学习和训练过程。这些神经网络模型的共同点都是一个“黑盒子”，通过一定的学习算法将大量数据交给模型训练，不断缩小模型预测值与真实值之间的误差，最终将精度达到一定阈值的模型应用到实际场景当中。所以，整个深度学习可以概括为：一个 大数据整理-模型搭建-网络训练-数据预测 的过程。

深度学习（一） Python基本科学计算库