深度學習是什麼，深度學習概念的基本理解？

深度學習是指由許多層組成的人工神經網絡。「深」是指層數多。相比深度學習，其他的許多機器學習算法是淺的，例如SVM，因爲它們沒有多層的深架構。多層的架構允許後面的計算建立在前面的計算之上。目前的深度學習網絡已經有10+甚至100+層。

多層的存在使得網絡能夠學習更多的抽象特徵。因此，網絡的較高層可以獲得建立在來自較低層的輸入上的更多抽象特徵。深度學習網絡可以被視爲特徵提取層（featureextractionlayer），其頂部是分類層（Classificationlayer）。深度學習的能力不在於它的分類，而特徵提取。特徵提取是自動（沒有人爲干預）而且多層的。

通過向網絡展示大量有標記的示例來訓練網絡，通過檢測誤差並調整神經元之間連接的權重以改進結果。重複該優化過程以創建微調後的網絡。一旦部署之後，可以利用優化的網絡來評估沒有標記的圖像。

特徵工程（Featureengineering）包括找到變量之間的連接並將它們包裝到一個新的變量中。深度學習執行自動特徵工程。自動特徵工程是深度學習的主要特徵。特別是對於圖像等非結構化數據來說自動特徵工程很重要，因爲人工的特徵工程非常緩慢而且耗費勞力，並且對執行執行工程的人的領域知識有很大依賴性。

深度學習適合目標函數複雜且數據集較大的問題，但有正例和負例的例子。深度學習也適合涉及層次和抽象的問題。

抽象（Abstraction）是一個概念過程，通過抽象從一般規則和概念中衍生出具體例子的使用和分類。我們可以將抽象視爲一個「超級類」（super-category）的創建，包括描述特定目的的示例的共同特徵，但會忽略每個示例中的「局部變化」（localchanges）。例如，「貓」的抽象包括毛，鬍鬚等。對於深度學習來說，每個層涉及對一個特徵的檢測，並且隨後的層以先前的層爲基礎。因此，在問題域包括抽象和分層概念的情況下可以使用深度學習。圖像識別屬於此類別。相比之下，垃圾郵件檢測問題可以被建模爲一個spreadsheet，可能就不是需要使用深度學習的複雜問題。
　　人工智能、大數據、雲計算和物聯網的未來發展值得重視，均爲前沿產業，多智時代專注於人工智能和大數據的入門和科譜，在此爲你推薦幾篇優質好文：
深度學習與計算機視覺的具體介紹
http://www.duozhishidai.com/article-15924-1.html
人工智能，機器學習和深度學習之間，主要有什麼差異？
http://www.duozhishidai.com/article-15858-1.html
深度學習初學者必須瞭解的基本知識
http://www.duozhishidai.com/article-15120-1.html

---

多智時代-人工智能和大數據學習入門網站|人工智能、大數據、物聯網、雲計算的學習交流網站