深度学习是机器学习的子领域，通过多层神经网络自动学习数据的层次化特征。一个典型神经网络由输入层、若干隐藏层和输出层组成，每层包含多个神经元，层与层之间通过权重连接。输入层接收原始数据，隐藏层逐层提取从低级到高级的特征，输出层给出最终预测。

每个神经元都带有一个激活函数，用于引入非线性，使网络能逼近复杂函数。常见激活函数包括 Sigmoid（将输出压缩到 0 到 1）、Tanh（-1 到 1）和 ReLU（负数归零、正数不变）。ReLU 计算简单且能缓解梯度消失，已成为现代网络的主力激活函数。

训练过程分为两个阶段：前向传播将输入经过各层得到预测值；反向传播利用链式法则，根据预测与真实标签的差异（损失函数）计算各参数梯度，并通过梯度下降等优化算法更新权重。这一过程反复进行直至模型收敛。常用优化器有随机梯度下降 SGD、带动量的 Momentum、自适应学习率的 Adam。

为提升模型性能与泛化，常采用多种技术：L1/L2 正则化约束权重大小防止过拟合、Dropout 随机丢弃神经元增强鲁棒性、批量归一化加速训练。深度学习在图像识别（卷积神经网络 CNN）、语音与自然语言处理（循环神经网络 RNN、Transformer）等领域取得突破性成果，是当前大模型与生成式 AI 的技术基石。