还是这一张图，我们前几天见过了，人工智能包括机器学习，机器学习包括深度学习，那究竟什么是深度学习呢？我们先看一张图：
图中在以 x 轴和 y 轴组成的坐标系中，有一些点，可以看到，其中有一些是白点，有一些是黑点，这些点可以用（x，y）这样的坐标表示，我们现在要做的任务就是根据 x 和 y 这些点的坐标，找到一些规律，或者是找到一个比较好的办法、公式等去描述这些点，你是否可以根据找到的规律或者公式，判断这个点是白点还是黑点。
你已经看出来了，从左上到右下，可以画一条线，线的右上方是黑色的点，线的左下方是白色的点，没错，你可能很容易就求出这条线，但是这样描述这个问题，不够好，看下面的图：
除了上面那条线外，我们还可以画一条与其垂直的线，就像上图中间这样，同时我们把坐标系也转换一下，原始的坐标系不够“好”，我们将新的两条垂直的线定义为新的 x 轴和 y 轴，这时就得到了上图中的图三，这次是不是就漂亮了一些。这两个坐标系的转换比较简单，坐标的（x，y ）的转换也是很简单，在后来的坐标系中，我们可以得出结论，x 大于零是黑点，x 小于零是白点。如果这是问题的一部分，这样的坐标系也会很大的简化问题。
这是一种类型的数据转换，也是比较简单的一种。我们把这种转换包装成一个盒子，我们输入一个点的坐标值，这个盒子经过上述的转换，会告诉我们结果是黑点还是白点。
上面就是一种概念上的“学习”，下面我们分析什么叫做“深度学习”。机器学习中很典型的问题就是手写数字识别，即一张手写数字的图片上，这个手写数字是几，在深度学习的模型中，会有如下的一个网络模型：
歪歪扭扭的一个数字图片，给了一个黑盒子，最后给出的结果是手写数字 4，这是如何得出来的结果呢？我们在这个黑盒子中，会对图片进行一些信息提取处理和加工，然后根据处理的结果进行判定，但是这个过程是复杂的，一次信息提取和加工达不到要求，因此会一步一步深入加工和处理，每处理一次，原始信息被更改的越大，信息变形越大越模糊，但是对结果有用的判定信息越来越多，将这种处理分成好多层，最终会得到最后的结果，如下图：
我们知道，在整个数据流中，本质上都是一些数字，不同的层次上，设置的权重数值是不一样的，因此每一层处理处的结果也是不一样的，并且会逐步接近最终的结果：
对于最终判定出来的结果，我们还要确定这个结果是否是正确的，这就涉及到了数据集的概念。数据集就是一些已经标记好的数据，比如十万张手写数字图片，每个图片上具体是数字几，要有人工提前标记好，这样，我们通过这个网络得出的结果与人工标记好的结果进行对比，我们就很容易得出这个网络是否是一个有效的网络，这样就可以得出一个分数或正确率，这下图中就是 Loss score：
有了这个 Score 究竟有什么用的？我们假设分数高代表正确率高，那么我认为设置不同权重或参数的网络，最后分数高的参数设置的比分数低的参数设置的更好或更有效，因此我可以认为我通过调整参数，就可以提高最终的正确率，这在很多情况下是一个繁琐无聊简单但是很有意义的工作，一般这种工作作为程序员都会把它交给系统去做，这就引出了下面的模型，即反馈信号，我把最终的结果反馈给中间层的参数去进行调参，直到最终的结果达到预期要求或阈值，这时的参数就是满足需求的参数，要固定下来，这就是网络训练出来的模型，下次拿来一张图片，在这个模型下，得出的结果，就有 Loss score 概率是正确的。
上面这个过程，就是典型的深度学习网络工作过程原理。对于一个网络，我们最初设置的参数是一个随机的值，大量的数据输入网络，网络通过反馈的机制，就会训练出一个效果还不错的模型。这样我们就可以理解一个问题，为什么神经网络是在近些年才大规模发展起来的，因为我们以前没有足够“好”的数据，近些年随着互联网的飞速发展，尤其是一些巨头公司，掌握着海量的优质数据，则进行学习训练出的模型自然会更加有效，同时由于这个过程繁琐而运算量极大，因此也是近些年硬件性能提高后提供了条件。
一般情况下，进行深度学习的网络叫做神经网络，这明显是一个生物学上的词汇，但其实人类大脑的思考过程与计算机中的神经网络，并没有那么明显的相像之处，这个问题就不深究了，了解一下就好了。
现在你理解了什么叫深度学习了吗？理解什么叫神经网络了吗？
