由于微信不允许外部链接，你需要点击页尾左下角的“阅读原文”，才能访问文中的链接。
1、简介
其实大部分人都是这样的，即便是我们这些技术宅，第一次听到深度学习的时候也是一脸懵逼，觉得很高大上，然而并不知道它到底是干啥的。
关于什么是深度学习，深度学习能做些什么事情？在 deeplearning.ai 的神经网络和深度学习课程中做过介绍。以下是吴恩达老师的原话：
深度学习改变了传统互联网业务，例如如网络搜索和广告，但是深度学习同时也使得许多新产品和企业以很多方式帮助人们，从获得更好的健康关注。
深度学习做的非常好的一个方面就是读取X光图像，除此之外还有生活中的个性化教育，到精准化农业，甚至到驾驶汽车以及其它一些方面。
在接下来的十年中，我认为我们所有人都有机会创造一个惊人的世界和社会，这就是 AI （人工智能）的力量。我希望你们能在创建 AI （人工智能）社会的过程中发挥重要作用。
我认为AI是最新的电力，大约在一百年前，我们社会的电气化改变了每个主要行业，从交通运输行业到制造业、医疗保健、通讯等方面，我认为如今我们见到了 AI 明显的令人惊讶的能量，带来了同样巨大的转变。显然，AI 的各个分支中，发展的最为迅速的就是深度学习。因此现在，深度学习是在科技世界中广受欢迎的一种技巧。
其实只要你一搜深度学习就是各种铺天盖地的新闻和资料，
关于深度学习的用途，现在最熟知的莫过于，用一个深度神经网络进行猫咪辨认，如下图，可以看到两只小猫咪，那么以电脑为首的机器，能不能识别出有几只猫咪，什么品种的猫咪（我太喜欢小猫小狗了）。
2、神经网络
大概了解了深度学习之后，下一个就应该是神经网络了。
我们常常用深度学习这个术语来指训练神经网络的过程。有时它指的是特别大规模的神经网络训练。那么神经网络究竟是什么呢？
让我们从一个房价预测的例子开始讲起。假设你有一个数据集，它包含了六栋房子的信息。所以也就是说，你知道房屋的具体信息，比如面积是多少平方英尺或者平方米，并且知道房屋价格，目标函数是预测房价。
这时，就需要拟合一个根据房屋面积预测房价的函数。如果对线性回归很熟悉，你应该很容易就用这些数据拟合一条直线。
但奇怪的是，你可能也发现了，价格永远不会是负数，也就是等于或者大于0。因此，直线需要弯曲一点并最终在零结束。这条蓝色的手划线就是最终的函数，用于根据房屋面积预测价格。虽然这条直线拟合的不错，但是因为价格永不负数的缘故，你也许会认为这个函数只拟合房屋价格，没啥普适性，偶然性反而更大一些。
把房屋的面积（size）作为神经网络的输入，用表示，通过一个小圆圈，其实这个小圆圈就是一个单独的神经元（neuron），最终输出了价格（price），用表示。到这里网络就实现了左边的功能
剧透一下，在有关神经网络的文献中，你会经常看到这个函数。从趋于零开始，然后变成一条直线，几乎可以说是完全拟合了房屋价格和房屋面积的关系。这个函数被称作 ReLU 激活函数，它的全称是 线性整流函数（Rectified Linear Unit, ReLU），又称 修正线性单元。修正可以理解成 max(0,x)，这也是函数这个形状的原因。
至于很多同学担心的数学问题，这里提出了Relu函数，你现在不用担心，之后我们会详细地讲到它。
可以看到我们已经简单地搭建了一个单神经元网络，如果可以的话也可以叫它 神经网络，不管规模的大小，即便只有一个神经元，它也是通过把这些单个神经元叠加在一起来形成一个大的网络。比较经典的类比就是，把这些神经元想象成单独的乐高积木，你就通过搭积木来完成一个更大的神经网络。
下图是神经网络：
下图是乐高积木：
有没有一种相似的感觉？？？
还是来看刚才的例子，不仅仅用房屋的面积来预测它的价格，还有其他相关房屋特征，比如卧室的数量，家人的数量等等。
在kaggle上有一个经典的竞赛题目就是房价预测，具体说明如下：
可以看到影响最终价格的因素可以很多，甚至高达79个。这些都可以在图上用小圆圈代替，也就是说都可以是 ReLU 的一部分，再或者其它非线性函数的一部分。
对于一个房子来说，这些都是与它息息相关的事情。在这个情景里，除了房屋面积之外，还有比如卧室的数量，邮政编码（交通便利程度），富裕程度等。
神经网络的神奇之处在于，当你实现它之后，你要做的只是输入，就能得到输出，这就成为了一个端到端的系统以实现功能。不过神经网络需要大量的数据，从而精准地从到实现映射函数。这些数据是需要有 label 标注的，也就是监督学习，可能你不知道什么是监督学习，别着急，下一节会讲到的。你会发现神经网络在监督学习的环境下是如此的有效和强大，也就是说你只要尝试输入一个，即可把它映射成，就好像刚才在房价预测中看到的效果，转换成了一个简单数学问题，是不是很棒！
未完待续。。。
参考文章
- 吴恩达——《神经网络和深度学习》
