?模擬電路是可以利用三極管的導通 / 截止的狀態切換，來實現數字邏輯的。

最簡單的數字邏輯有3種：與、或、非。

這種簡單的數字電路叫門電路。

非門

最簡單的非門，就是使用一個三極管和一個電阻。

最簡單的與門，是使用兩個二極管和一個電阻。

與門

如上圖，2個二極管只要有一個（與電源負極）導通時，輸出端的電壓就是0.7v，為低電位。

2個二極管都截止時，輸出端的電壓等于電源電壓，為高電位。

只使用三極管的b-e兩極時，三極管就相當于二極管。

這些簡單的門電路，都可以用來處理一個二進制位的運算，即位運算。

1.位運算

位運算，是比加減乘除更簡單的運算。

在位運算時，一個數的多個二進制位之間是不相關的。

所以，只要把32個上圖的電路并聯起來，就可以處理32位的位運算。

2.加減運算

加法和減法因為有進位和借位，它們的多個二進制位之間是相關的。

所以，加法和減法的電路實現是比較復雜的，乘法和除法更復雜。

但是，加減乘除運算都是可以用電路實現的。

（這里就不展開了，否則又得寫一大篇）

3.C語言

在位運算和加減乘除的基礎上，就可以實現一門編程語言了。

邏輯運算（&&, ||, !），就是1個二進制位的位運算。

比較運算（>, <, ==, !=, >=, <=），實際比較的是運算結果與0的大小。

2 > 1 比較的是 2 - 1 > 0，

0可以用1個二進制位表示，所以比較運算實際上也是加減運算+位運算。

if / else，就是邏輯運算。

while / for，就是個復雜點的if / else：

它會根據條件跳轉到循環開頭或結尾，而if / else不會跳轉到開頭，就這么點區別。

位運算、加減乘除、邏輯、比較、if else、while for，一門編程語言的主要運算也就這些。

當然，從數字計算機的出現到C語言的誕生，中間還隔了20多年的時間，經歷了機器語言、匯編語言，上古高級語言3個階段。

C語言從出現到現在，已經用了50年了，依然寶刀未老?

C語言之后的編程語言，基本都是在C語言的基礎上修修補補。

例如：C++添加了OOP機制；

java又在C++的基礎上做了一些簡化，并且把運行平臺從CPU搬到了jvm虛擬機，實現了跨平臺；

go語言除了有點古怪的語法之外，又差不多回到了C語言的最初設計，并且添加了協程。

現在，人們在編程語言上能夠做的改進已經比較少了，更多的是順應程序員的習慣。

所以，有個編譯器大牛好幾年前就說過：編程語言是程序員的“宗教戰爭”。

所以，php是最好的編程語言?

4.unix系統

C語言出現之后，丹尼斯-里奇和肯-湯普森馬上就用它重寫了unix系統。

這是C語言被發明的主要目的，和第一個應用。

丹尼斯-里奇在unix系統的設計模式，成了后來操作系統的典范。

unix說，“一切皆是文件”。

包括Linux在內的泛unix系的操作系統，都遵循了這一原則，而且API高度相同。

但是，API這個詞是從“異端”windows那里來的。

unix / linux 的API學名叫系統調用（syscall），但因為2000年前后微軟巨大的影響了，都被叫成了API。

并且，windows把文件的描述結構叫句柄，linux叫文件描述符，現在很多linux程序員也把文件描述符叫句柄。

畢竟，windows XP在代表了一個時代！

操作系統、數據庫、編譯器，是傳統的三大基礎軟件。

在1970年，unix和C語言出現之后，美國巨頭們就迅速壟斷了這三大領域。

不過，人類的科技發展，從來都是想重新發明自己！

怎么讓電腦像人一樣的看東西，是科學家們從1980年之后的研究重點。

5.計算機視覺

讓電腦去識別圖像的技術，叫計算機視覺，英文縮寫CV.

CV的大概可以分為兩步：

1）目標檢測，即把目標位置從背景圖片里畫出來，

2）目標識別，識別畫出來的目標是什么。

人臉識別

把人的面部從圖片中框出來，就是人臉檢測：常用的算法是Haar小波分類器。

識別框出來的人臉是誰，就是人臉識別：常用的算法是CNN，它是深度學習的一種模型。

在深度學習出現之前，人們經常使用傳統算法的組合去識別圖像。

例如：

高斯模糊，可以平滑掉圖像中的一些斑點。

拉普拉斯變換，可以檢測圖像的邊緣。

形態學膨脹，可以把一大片鄰近的點連成一塊區域：在文字識別中常用這個算法。

文字是一種邊緣特別突出的圖形，與自然物體的差異很大，所以拉普拉斯變化之后文字區域非常的明顯。

但是在閥值分隔之后，這個區域往往形成一些密集而不連續的點：

經過形態學膨脹之后，這些點就連成了一塊，可以求它的外接矩形了；

外接矩形，基本上就可以框出文字所在的區域；

然后，就可以根據特征去識別了。

對人臉的識別，也是先框出所在的區域，然后根據特征去識別。

傳統算法經常使用的是特征點檢測+分類器：

SIFT算法用來檢測特征點，SVM支持向量機用來對特征點分類，SIFT+SVM曾經是深度學習出現之前使用最多的CV算法。

當然，SIFT+SVM的效果也就那樣，畢竟它們都是非常死板的固定算法，適用場景有限。

在2006年，辛頓提出深度學習之前，CV算法對復雜場景的識別率一直不高。

雖然傳統算法在數學上都是可解釋的，但識別率是硬傷。

深度學習的參數雖然難以解釋，但它的識別率比傳統算法高得多。

這十幾年來，深度學習基本一統了CV領域。

深度學習的入門，所需要的數學知識并不多，學過高數和線代的都能很快入門。