深度学习应该学习什么？机器学习和深度学习还有python嘛

深度学习是一种人工神经网络技术，其核心目标是让计算机系统通过大量数据自动学习并提取高层次的特征表示。学习深度学习时，通常需要关注以下几个关键点：

1. **基础知识**：线性代数、概率论、统计学基础对于理解深层模型非常重要，特别是梯度下降法、矩阵运算等。

2. **神经网络**：卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、自注意力机制等结构的理解和实践。

3. **深度学习框架**：如TensorFlow、PyTorch、Keras等，掌握如何构建模型、训练和验证流程。

4. **优化算法**：Adam、SGD、Adagrad等优化器的学习和调整策略。

5. **数据预处理**：图像、文本、音频等各类数据的标准化和增强技巧。

6. **模型评估**：理解常用的评价指标，如准确率、精确率、召回率、F1分数等。

7. **实际项目经验**：参与实际的深度学习项目，比如图像分类、语音识别、自然语言处理任务，可以提升实战能力。

至于机器学习和Python的关系，Python是深度学习最常用的语言之一，因为有丰富的库如NumPy、Pandas、Scikit-learn等支持机器学习，而深度学习则更依赖于如TensorFlow和PyTorch这样的高级库。所以，除了深度学习之外，学习基本的Python编程也是必不可少的。