传统的模式识别算法有着很大的局限性，就拿人脸识别来说，传统的人脸识别算法主要有基于人脸特征点的识别算法（Feature-based recognition algorithms）、基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）、基于模板的识别算法（Template-based recognition algorithms）等，这些算法受环境光照，姿态，遮挡的影响较大，从目前的论文来看，人们越来越多地利用神经网络进行识别的算法（Recognition algorithms using neural network），识别的准确性也有很大的提高。这里就不得不提到深度学习。
人工智能、机器学习、深度学习之间的关系
如下图，人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。
简单来说，机器学习是人工智能的子集，而深度学习又是机器学习的子集。而深度学习造成了前所未有的巨大的影响。
机器学习—— 一种实现人工智能的方法
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
可以这么说，Machine Learning ≈ Looking for a Function，架构可以简化成下图：
深度学习——一种实现机器学习的技术
所谓深度学习，就是具有很多个隐层的神经网络。主要分为输入层、隐层、输出层。
简单地来说，深度学习是一个不断磨合训练的过程，刚开始定义一个标准参数，然后不断地修正，得出每个节点间的权重。这个时候我们就需要训练集和测试集，训练集就是带有正确标签的图片，而测试集就是用来验证模型的准确度。从上图可知，从左往右算起来容易，那反过来呢？这时我们需要反向传播法（BP算法）。
BP算法建立在梯度下降法的基础上，它的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过输入层经隐含层，逐层处理并传向输出层。如果在输出层得不到期望的输出值，则取输出与期望的误差的平方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，网络的学习在权值修改过程中完成。误差达到所期望值时，网络学习结束。
这里面需要注意是为了让整个网络具有非线性特征，我们在计算权重的时候会加一个bias，即激活函数(深度学习中的激活函数导引)，激活函数是神经网络强大的基础，好的激活函数（根据任务来选择）还可以加速训练：
深度网络的实现基于逐层贪心训练算法，而随着模型的深度逐渐增加，会产生梯度消失或梯度爆炸的问题，梯度爆炸一般采用阈值截断的方法解决，而梯度消失不易解决；网络越深，这些问题越严重，这也是深度学习的核心问题，出现了一系列的技术及衍生模型。
总结了深度学习中的基本模型并再次解释部分相关的技术概念(Deeper的回答)：
深度学习开源平台TensorFlow
TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。
TensorFlow支持CNN、RNN和LSTM算法，这都是目前在Image，Speech和NLP最流行的深度神经网络模型。具体文档可参考：TensorFlow中文社区，这也是下一步学习的工具。
