通常的图形图形识别都是基于深度学习的神经网络的算法，包括，yolo3这些，而深度学习建立、模拟人脑进行分析学习的神经网络，对于视觉识别来说，分层提取的特征与人的视觉机理（神经科学）类似，都是进行边缘->部分->全体的过程。它被引入使其更接近于最初的目标——人工智能(,&sp;
fcl&sp;
ellge
ce)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。&sp;深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
简单点说就是算法处理数学公式，海量数据学习后建立数据集，还有计算的硬件，就是让系统能够识别一艘船，那么就让这个系统先录入1万张的照片，通过算法这些特征记录下来建立数据集，在实际使用的时候，系统捕捉到船舶通过算法后与数据集内的参数对比，然后判断，是不是船舶，那种类型船舶。如果让船舶能够学习10万张图片，那么识别准确率会更高！当然对硬件的要求就更高了，就出现了芯片！
芯片是算力属于硬件，算法是通过模拟人类脑部神经结构，进行对物体及态势的认知，判断，决策，而常用的神经网络算法就有30多种，还有很多变异结构
按照部署位置划分，&sp;芯片可以分为云端芯片和边缘端芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务；边缘端&sp;&sp;芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积小、耗电低，性能要求略低，一般只需具备一两种&sp;&sp;能力。
按照承担的任务分，&sp;芯片可以划分为训练芯片和推理芯片。训练是指通过大量标记过的数据在平台上进行“学习”，并形成具备特定功能的神经网络模型；推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。训练芯片对算力、精度要求非常之高，而且还需要具备一定的通用性，以适应多种算法的训练；推理芯片更加注重综合能力，包括算力能耗、时延、成本等因素。