深度学习初步了解

先把这四个字拆解成两个词，“深度”和“学习”，逐一说明。

      “学习”是我们从小就接触的词，抽象的说，学习的过程就是一种认知的过程，从未知到已知的探索和思考，比如从最早的学习，1+1=2，想想我们是怎么学习的？伸出一只手指，再伸出一只手指，数一数，两只手指那就是2。

       这里再提前定义一个概念，输入和输出，输入就是已知的信息，输出就是最终获得的认知的结果，这里的1和加号+，就是输入，而得到的计算结果2就是输出。

       所以，任何从已有的信息，无论是通过计算，判断，推理而后得到一个认知的过程都可以称为“学习”。

       那么为什么有的人，学习能力好，成绩高，但有的人成绩就没那么好呢。这经常的被解释为学习方法，思考过程，经验不同而导致的差异，可以统一归为“学习策略”,好的学习策略会更快更准确的得到认知结果,而不好的学习策略可能会话费更多的时间或者得出错误的结论.

       现实世界中很多的问题都可以归为分类或者识别或者选择的问题,比如下围棋,下一步的棋子落在什么地方,就是此类问题.而研究此类问题,学术界研究出来一种叫做"神经网络"的学习策略.

       这个词听起来,就知道和人脑有着一些关系,在人脑中负责活动的基本单元是"神经元",它以细胞体为主体,由许多向周围眼神的不规则树枝状纤维构成的神经细胞,我们把神经元的结构想象成一棵枯树的枝干就可以了.人脑中含有上百亿个神经元,而这些神经元互相连接成一个更庞大的结构,就称为"神经网络".

       学术界试图模仿人脑的"神经网络"建立一个类似的学习策略,也取名为"神经网络".

       下图就是一个神经网络的大致结构

 

         从x1,x2,x3输入到输出的过程，这里又定义了一个层次的概念，譬如上图就包括四层，包含最左边的输入层，和最右边的输出层，如果这是一道选择题的话，那么题目就是输入层，而ABCD的选择结果就是输出层，如上图的L1和L2分别是输入层和输出层，而选择题解题的过程是不写出来的，我们叫做“隐藏层”，这里L2和L3就是隐藏层，题目越难，给出的信息可能是越多的，而解题所需要的过程就越复杂的，也就可能需要更多的“隐藏层”来计算最终的结果。

        但是由于到目前，还无法知道人脑工作的复杂性，所以这两个神经网络也只能是形似而已。

        第一，人脑神经网络的一个神经元会动态随机的同其他的神经元建立联系，这种随机性建立的神经元的连接可能也就是为什么我们有的时候可以想起来一个事情，担忧的是又会忘记某件事情，当然很有可能在某个时刻，你又不经意的想起了它。

        其次，人脑神经网络和计算机神经网络的不同在于，人脑可以解决通用性和跨领域的问题，而计算机神经网络只能解决专门问题，所以哪怕阿尔法狗在围棋界独孤求败战胜了所有男人，但他也不能识别出站在他面前的两个女生谁更漂亮