深度学习与机器学习的区别：

机器学习：人类定义输入数据的特征

深度学习：机器自动找到输入数据的特征

在深度学习中，采用多层的神经网络架构来提取图像 信息，越靠近底层的神经网络提取出来的都是点、线等低维度特征， 而高维度的神经网络层则会更多地保留比如耳朵、眼睛等高维度特 征

深度学习通过低维度特征到高维度特征 一层层地构建，找到最终能够构成分类器的最佳组合。

深度学习入门概念

1．神经网络

在深度学习中，神经网络由很多“神经元”组合而成，神经元的 作用是传递数据，通过训练调整相关的权重，完成深度学习中的“学 习”功能。神经网络是一切深度学习网络的基石。

2 偏差

权重只改变输入比例的大小，添加另外一个线性变量——偏差 （bias），输入就变成了：

权重×输入+偏差

添加偏差的目的是为了扩展权重与输入相乘所得结果的范围。

3 激活函数

输入通过增加权重和偏差后，输入的形式为y=ΣW×X+b，将这个 线性分量应用于输入时需要将这个线性输入变成一个非线性输入，使 得神经网络可以解决更多复杂的问题

常见的激活函数有Sigmoid、ReLU、tanh和Softmax。

（1）Sigmoid定义如下：

Sigmoid(x)=