模拟电路是可以利用三极管的导通 / 截止的状态切换，来实现数字逻辑的。
最简单的数字逻辑有3种：与、或、非。
这种简单的数字电路叫门电路。
非门
最简单的非门，就是使用一个三极管和一个电阻。
最简单的与门，是使用两个二极管和一个电阻。
与门
如上图，2个二极管只要有一个（与电源负极）导通时，输出端的电压就是0.7v，为低电位。
2个二极管都截止时，输出端的电压等于电源电压，为高电位。
只使用三极管的b-e两极时，三极管就相当于二极管。
这些简单的门电路，都可以用来处理一个二进制位的运算，即位运算。
1.位运算
位运算，是比加减乘除更简单的运算。
在位运算时，一个数的多个二进制位之间是不相关的。
所以，只要把32个上图的电路并联起来，就可以处理32位的位运算。
2.加减运算
加法和减法因为有进位和借位，它们的多个二进制位之间是相关的。
所以，加法和减法的电路实现是比较复杂的，乘法和除法更复杂。
但是，加减乘除运算都是可以用电路实现的。
（这里就不展开了，否则又得写一大篇）
3.C语言
在位运算和加减乘除的基础上，就可以实现一门编程语言了。
逻辑运算（&&, ||, !），就是1个二进制位的位运算。
比较运算（>, <, ==, !=, >=, <=），实际比较的是运算结果与0的大小。
2 > 1 比较的是 2 - 1 > 0，
0可以用1个二进制位表示，所以比较运算实际上也是加减运算+位运算。
if / else，就是逻辑运算。
while / for，就是个复杂点的if / else：
它会根据条件跳转到循环开头或结尾，而if / else不会跳转到开头，就这么点区别。
位运算、加减乘除、逻辑、比较、if else、while for，一门编程语言的主要运算也就这些。
当然，从数字计算机的出现到C语言的诞生，中间还隔了20多年的时间，经历了机器语言、汇编语言，上古高级语言3个阶段。
C语言从出现到现在，已经用了50年了，依然宝刀未老
C语言之后的编程语言，基本都是在C语言的基础上修修补补。
例如：C++添加了OOP机制；
java又在C++的基础上做了一些简化，并且把运行平台从CPU搬到了jvm虚拟机，实现了跨平台；
go语言除了有点古怪的语法之外，又差不多回到了C语言的最初设计，并且添加了协程。
现在，人们在编程语言上能够做的改进已经比较少了，更多的是顺应程序员的习惯。
所以，有个编译器大牛好几年前就说过：编程语言是程序员的“宗教战争”。
所以，php是最好的编程语言
4.unix系统
C语言出现之后，丹尼斯-里奇和肯-汤普森马上就用它重写了unix系统。
这是C语言被发明的主要目的，和第一个应用。
丹尼斯-里奇在unix系统的设计模式，成了后来操作系统的典范。
unix说，“一切皆是文件”。
包括Linux在内的泛unix系的操作系统，都遵循了这一原则，而且API高度相同。
但是，API这个词是从“异端”windows那里来的。
unix / linux 的API学名叫系统调用（syscall），但因为2000年前后微软巨大的影响了，都被叫成了API。
并且，windows把文件的描述结构叫句柄，linux叫文件描述符，现在很多linux程序员也把文件描述符叫句柄。
毕竟，windows XP在代表了一个时代！
操作系统、数据库、编译器，是传统的三大基础软件。
在1970年，unix和C语言出现之后，美国巨头们就迅速垄断了这三大领域。
不过，人类的科技发展，从来都是想重新发明自己！
怎么让电脑像人一样的看东西，是科学家们从1980年之后的研究重点。
5.计算机视觉
让电脑去识别图像的技术，叫计算机视觉，英文缩写CV.
CV的大概可以分为两步：
1）目标检测，即把目标位置从背景图片里画出来，
2）目标识别，识别画出来的目标是什么。
人脸识别
把人的面部从图片中框出来，就是人脸检测：常用的算法是Haar小波分类器。
识别框出来的人脸是谁，就是人脸识别：常用的算法是CNN，它是深度学习的一种模型。
在深度学习出现之前，人们经常使用传统算法的组合去识别图像。
例如：
高斯模糊，可以平滑掉图像中的一些斑点。
拉普拉斯变换，可以检测图像的边缘。
形态学膨胀，可以把一大片邻近的点连成一块区域：在文字识别中常用这个算法。
文字是一种边缘特别突出的图形，与自然物体的差异很大，所以拉普拉斯变化之后文字区域非常的明显。
但是在阀值分隔之后，这个区域往往形成一些密集而不连续的点：
经过形态学膨胀之后，这些点就连成了一块，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区域；
然后，就可以根据特征去识别了。
对人脸的识别，也是先框出所在的区域，然后根据特征去识别。
传统算法经常使用的是特征点检测+分类器：
SIFT算法用来检测特征点，SVM支持向量机用来对特征点分类，SIFT+SVM曾经是深度学习出现之前使用最多的CV算法。
当然，SIFT+SVM的效果也就那样，毕竟它们都是非常死板的固定算法，适用场景有限。
在2006年，辛顿提出深度学习之前，CV算法对复杂场景的识别率一直不高。
虽然传统算法在数学上都是可解释的，但识别率是硬伤。
深度学习的参数虽然难以解释，但它的识别率比传统算法高得多。
这十几年来，深度学习基本一统了CV领域。
深度学习的入门，所需要的数学知识并不多，学过高数和线代的都能很快入门。
