深度学习是一种 机器学习技术，它使用 人工神经网络来启用数字系统，以根据未标记的非结构化数据来进行学习并做出决策。深度学习模型能够从数据中学习、识别模式、提出建议并进行调整，从而像人类一样做出反应、行动和表现。

深度学习系统通常包括以下几个关键组成部分：

人工神经网络（ANN）：

这是深度学习的基础，灵感来源于人脑的结构和工作原理。神经网络由多个层组成，每一层都包含多个神经元，这些神经元通过权重连接并进行信息传递。

训练数据：

深度学习模型通过大量的未标记数据来进行训练，从而学习到数据的特征和模式。

算法：

深度学习涉及多种算法，如卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等，这些算法在处理不同类型的数据时表现出色。

计算资源：

深度学习模型的训练和推理需要大量的计算资源，通常包括CPU、GPU和分布式系统。分布式系统能够加速大规模数据的处理，提高模型的训练效率。

深度学习框架：

这些框架提供了构建、训练和部署深度学习模型的工具和接口，如TensorFlow、PyTorch和MXNet等。

应用场景：

深度学习已广泛应用于多个领域，包括语音识别、图像识别、自然语言处理、推荐系统和自动驾驶等。

在选择深度学习系统时，需要考虑系统的性能、稳定性、易用性以及社区支持等因素。目前，Linux系统和Windows系统是深度学习服务器的主要选择，其中Linux系统因其稳定性和丰富的软件库而被广泛推荐。

总结来说，深度学习系统是一个复杂的系统，涉及多个技术组件和工具，旨在通过人工神经网络实现从数据中自动学习和决策的能力。