什么是深度学习？

一、深度学习–神经网络简介

深度学习（Deep Learning）（也称为深度结构学习【Deep Structured Learning】、层次学习【Hierachical Learning】或者 深度机器学习【Deep Machine Learning】）是一类算法集合，是机器学习的一个分支。
深度学习方法近些年，在会话识别、图像识别和对象侦测领域表现出了惊人的准确性。
但是，“深度学习”，它是在1986年由Dechter在机器学习领域提出，然后再2000年由Aizenberg等人引入到人工神经网络中，而现在，由于Alex Krizhevsky在2012年使用卷积网络结构赢得了ImageNet比赛之后受到大家的瞩目。
卷积网络之父： Yann LeCun。
深度学习演示：http://playground.tensorflow.org

增加的每一个节点就是一个神经元，还有增加一层层的深度

二、深度学习各层负责内容

神经网络各层负责内容：
1层：负责识别颜色及简单纹理
2层：一些神经元可以识别更加细化的纹理、布纹、刻纹、叶纹等。
3层：一些神经元负责感受黑夜里的黄色烛光、高光、萤火
4层：一些神经元识别萌狗的脸、宠物形貌、圆柱体事务、
5层：一些神经元负责识别花，黑眼圈动物。

三、机器学习与深度学习的区别

3.1特征提取方面

• 机器学习的特征工程步骤是要靠手动完成的，特征提取这需要大量领域专业知识，适合数据量小，比较简单的做数据挖掘。
• 深度学习通常是由多个层组成，它们通常将更简单模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。比较难的，需要精度比较高的适合深度学习。
  深度学习算法试图从数据中学习高级功能，这是深度学习的一个的独特的部分。因此，减少了每个问题开发新特征提取器的任务。适合用在难提取特征的图像(CV)、语音(VR)、自然语言领取(NLP)

3.2深度学习应用场景

• 图像识别
  • 物体识别
  • 场景识别
  • 车型识别
  • 人脸识别
• 自然语言处理技术
  • 机器翻译
  • 文本识别
  • 聊天对话
• 语音技术
  • 语音识别

3.3深度学习代表算法-神经网络

人工神经网络-简称NN，是一种模仿生物神经网络结构和功能的计算模型，经典的神经网络结构包含三个层次的神经网络。分别为输入层、输出层及隐藏层。

其中每一层的圆圈代表一个神经元，隐藏层和输出层的神经元有输入的数据计算后输出，输入层的神经元只是输入。

• 神经网络的特点
  神经网络本质上就是一个线性回归
  线越粗代表权重越大，
  
  W1X1+W2X2+b= Y
  验证神经网络是不是一个线性回归。
  W1 = -0.86
  W2 = -0.83
  B = 0.0029
  W1 * X1 + W2 * X2 + b = y
  三维的空间压到二维
  W1 * x + W2 * y + b = z
  z 就是高度，高度变为0
  w1 * x + w2 * y +b = 0
  y = (-b - w1 * x)/w2 = -w1/w2 *x -b

x = np.linspace(-6, 7, 20)
y = -w1/w2 * x - b/ w2
plt.plot(x,y)
plt.axis(-6, 6 , -6, 6)
_ = plt.xticks(np.arange(-6, 7))
_ = plt.yticks(np.arange(-6, 7))

以上验证一个神经网络就是一个线性方程
12年是一个分水岭，12年之后的数据量越大，机器学习出现的瓶颈，但是深度学习体现出优势。