概念：什么是深度学习

1. “深度”

• 深度学习的前身是人工神经网络（ANN），其组成为输入层（输入训练数据），输出层（输出计算结果），中间有1个或多个隐藏层，使输入数据向前传播至输出层，“深度”一词一般是指隐藏层很多（一般指5层，10层，几百层甚至几千层）
• 举例，我们拿到一张图片，对它做一些预处理，如图像居中，灰度调整，梯度锐化，去除噪声，倾斜度调整等，就可以将数据输入到神经网络的第一层，然后第一层会自己提取这个图像的特征，把有用的特征向下传递，直到最后一层，然后输出结果。这个过程是向前传播
• 深度学习的目的：利用已知数据学习一套模型，是系统在遇见未知的数据时也能做出预测。
• 深度学习的深度在于通过不断增加中间隐藏层数和神经元数量，让神经网络变得有深又宽，让系统运行大量数据训练它。

1. “学习”

• 最简单最普遍的机器学习算法是分类
• 监督学习：输入的训练数据有特征（x）还有标记（作为输出y），学习目的是找到特征和标签的映射关系，通过标签不断纠正学习过程中的偏差，是学习的预测绿不断提高
• 无监督学习：输入数据只有特征没有标记  其目的是让计算机自己去学习怎样做一些事情。一般有聚类和强化学习两种
• 半监督学习：输入数据部分有标记部分没有，而且没有标记数据的数量常常远大于有标记的数据