1.像素
像素(缩写为px)是图像中的最小单位，由一个个小方格组成。
这些小方格都有一个固定的位置和颜色，共同决定了图像所呈现出来的样子。
2.分辨率
这些小方格的行数与列数又被叫做分辨率。我们常说的某幅图像的分辨率是1280×720，指的就是这张图中的每一行都有1280个像素，每一列都有720个像素。
对于同样尺寸的一幅图，如果图像分辨率越高，则组成该图的图像像素数目越多，像素点也越小，图像越清晰、逼真，印刷的质量也就越好。
当然，这也会增加文件占用的存储空间。
3.图像识别
人类拥有今天的视觉能力其实是大自然长期训练的结果。但对计算机来说，所有的事物都是陌生的。如何像人类一样，拥有识别和理解图像的视觉能力？这就是图像识别的任务。
图像识别是利用计算机对图像进行处理、分析和理解，从而识别出各种不同物体的技术。
图像识别通常以图像的主要特征为基础。
我们给定一些特征，计算机根据这些特征进行识别，但是计算机可能会识别失败，我们无法确定给定多少个特征点计算机才能够识别出来我们想要的数据，我们人类根据视觉可以直接提取信息，但是计算机不能，传统的机器学习非常依赖于人为提取特征，可能对一些特定任务会简单有效，但却并不能通用。尤其是变化的和抽象的特征，机器学习就显得无能为力了。
4.深度学习
深度学习是一种在表达能力上灵活多变，同时又允许计算机不断尝试，直到最终逼近目标的机器学习方法。
它能学习样本数据的内在规律和表示层次，能自动从图像中学习有效的特征。
深度学习来源于人工神经网络，之所以叫"深度"是因为它自身由许多不同的层组成。
第一层一般以图像为输入，通过特定的运算从图像中提取特征。
接下来，每一层以前一层提取出的特征为输入，对其进行特定形式的变换，便可以得到更复杂一些的特征。
经过很多层的变换之后，这种结构就可以组合原始图像中的低层特征形成更加抽象的高层特征。
这种层次化的特征提取过程可以累加，赋予深度学习强大的特征提取能力。
因此，深度学习更有能力发现大数据中隐含的复杂结构。
5.机器学习&&深度学习
- 联系:
人工智能的核心驱动力是机器学习， 而深度学习是机器学习的一个特定分支。
从这个角度来说，深度学习其实是机器学习的一种改进与增强。
- 区别：
面对同一个问题，我们的解决方式是想办法，然后给出答案。
机器学习的解决方式是人为提取出问题的特征，机器学习去分析这个特征，给出答案。
而深度学习的解决方式是自动提取特征，给出答案。
对我们来说，深度学习就像一个黑盒，我们不知道中间发生了什么。
这也是为什么说，深度学习的可解释性很差，因为有时候深度学习虽然能有好的表现，但是我们并不知道它的原理是什么。