大道至简，深度学习deep learning的形成原理和数学背景

关于神经网络学习，相关文章大多描述过细、或过繁，恨不能写得越高深越好，理论解析中往往不知所云，概念词，复杂数学公式一股脑引入更提高了理解难度，学习者往往一头雾水，很难对学习模型原理有一个整体清晰的认识。

本文试图对深度学习deep learning形成原理，深度学习的数学背景给出至简的描述（大道至简），便于大家对神经网络基础理论有一个整体深入的了解，为日后的学习建立较好的基础。

深入学习是机器学习的一个部分，机器学习又是人工智能AI的一个部分。也就是说，机器学习有很多模式pattern或模型，深入学习只是其中一个分支，他侧重基于人工神经网络，而其形成源于大脑神经元之间信号交互的物理现象。

神经元交互，即信号从一个neural到另一个neural需要一个条件，即“阈值”，有了“阈值”大脑才知道该信号是否传入下一个神经元做出行为判断，从而有了动作行为。这种神经元的信号传递过程是可以用数学公式推导表示的，也可以理解为深度学习体系。

并不认同深度学习是大数据以及GPU催生的产物，我们以手写数字识别为例，训练集28X28像素图片6万张，这是一个大数据吗？远比一部影视剧视频小的多。那么硬件，该数集训练时长，CPU计算2-3个小时，也不是对计算硬件要求过高啊，要什么GPU。那么问题出在哪里？为什么直到2010年前后深度学习才被清楚认识？

可以这样解释，神经元网络在非线性问题的求解有了突破，是人类认识观发生了改变。可惜的是，最先提出并改变认识的一杆人不在中国，我们是不是该反省一下呢。。。。。

因此，我们可以这样说，以深度学习为核心的神经网路框架是为解决非线性问