1、深度学习简介

       深度学习是机器学习的一个分支，简单来说就是通过人工神经网络，强行在业务的 输入 和 输出 之间，暴力耦合一个出一个数学模型。

1.1 深度学习特点

1、由于是暴力耦合出来的模型，自然模型可解释性很差，如果模型要准确，就需要非常大量的数据进行训练。

      因此，如果客户说，我们的数据比较少，那就不能用深度学习来做，选择更符合客户业务场景的传统机器学习算法来做（比如 支持向量机，随机森林，卡尔曼滤波，等等）

2、简捷，应用场景多，只要数据量到位了，啥都可以用深度学习来做，效果也非常好。比起去学一堆其他机器学习算法，舒服多了。

1.2 深度学习框架

我的博客 主要介绍Pytorch

2、神经网络 和 神经元

 2.1 神经网络  

     第一节已经介绍了，深度学习就是通过人工神经网络，强行在业务的 输入 和 输出 之间，暴力耦合一个出一个数学模型。

       神经网络就是 一系列 线性 和 非线性 的函数，一般线性函数放在前面，即y=wx+b ;非线性函数（就是什么Sigmoid，tanh,Rule等等）根据业务场景不同（是做分类？ 还是做  回归拟合？），放在最后。

        神经网络就是不停的在数据 正向，反向 传播过程中，去修改线性方程的 权重系数，直到损失最低。简单说，就是不停调整 w，b。解出最优的w和b，模型就训练完成了，即可以用来预测或者分类了。

 值得注意的是：“深度学习” 的神经网络，比传统“机器学习”的神经网络，更长，更深

 2.2 神经元

      神经网络里面的每个节点，都是神经元。最终成型的暴力数学模型，就是所有神经元共同作用的结果。简单来说，每个神经元，就是一个  z=wx+b，几百万的 z=wx+b 就能暴力出想要的输出啦。