这节课讲层数更多（更深）的网络好一些吗？为什么好一些，从多个方面尝试论证。
首先比较的基础应当是同样的参数，比如2K个参数都在一层（矮胖）和分布在5层（高瘦）的网络来比较效果。
这边直接给出结果，就是当然深一点的网络效果更好。
modularization模块化
deep代表模块化，一层层叠的不断调用，而不是把所有程序都写着在一个main函数里，那这样的话有一些小的模块其实是可以公用的，不需要重复写，这就是效率的提升。
并且模块化对数据量比较少的类型很友好，比如下面举得长头发男生的例子，如果是看整体，数量会很少，但是如果分别在长发和男生的支线中，就不会少了。
模块化和深度学习的关系是，机器会自动学会让第一层做比较简单的工作，然后第二层在利用第一层的输出时，其实就是对第一层的调用，以此类推。
有趣的是，模块化代表的是对数据的充分利用，所以深度学习其实是可以利用很少的训练数据的，这可能和以往的认知相反。但其实如果真的有无穷的数据，直接一个一个对应就可以，何必还要求机器学会举一反三的能力呢。所以正是因为没有足够的数据，所以才需要深度学习。
下面从电路方面来讲深度学习的模块化。
两个门就可以实现任意一个布尔函数boolean function，但是没有人这么做，反而是多层的会让电路更简单有效。
这里举了一个简单的例子，要判断序列中1的个数是奇数还是偶数，那么如果用两层的电路的话，门的个数要和长度挂钩。但是如果用多层，从片段开始判断，层层递进，就不用那么多门了。
（其实这里我没太懂）不过剪窗花这个例子很好动，前提是理解深度学习是将空间进行了对折，比如下面这四个点无法用直线拟合，但是在深度层中，把两个蓝色点对折到一起了，也可以理解成一个点的信息被利用了两次，窗花减一下，展开之后就是剪了无数下。但是我觉得前提是数据或者规律确实是这样重复性的，才有用。
Een-to-end端到端的学习
端到端的意思就是一气呵成，中间每一层不需要自己去设定，只需要给网络输入和输出，中间的分工让机器自己学，下面举得语音处理的例子，传统方法就是先转换成频谱图，然后滤波然后MFCC然后才是深度网络GMM中去处理，那么能不能直接成下面的，不知道每一层在干什么，只给就是语音的输入，得到辨识出来的结果。
这个事情确实有人做，最后的结果是持平，不分胜负。
处理复杂的工作
机器有时候比人聪明，有时候人都分不清楚的事情机器可以分清，当然图像的例子很简单，后面这个是不同人说同句话的MFCC，不同颜色就是指不同人，此时人类是不太好分辨清楚的，但是经过八层的网络，机器可以分清楚。虽然我们也不知道它怎么分清楚的。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
