Alphgo在围棋上战胜李世石属于里程碑的时间，因此，深度学习也被炒得很热，但什么叫深度学习，为什么是深度，其实大多不知道，如果解释成多层神经网络估计也没多少人明白。
即使你是搞建模的，假如没搞过神经网络，可能也不清楚，甚至你做过神经网络工程，但如果仅仅是调用一下算法库，也可能是一知半解。
当然，大数据时代，我们也许会用就可以了，特别是对于企业来讲，不用知道其原理。但深度学习作为一个方向性的东西，笔者总是想探究一些其本质的东西，特别是希望能理解深度学习理解世界的方式，也许其对于成长有所帮助。
虽然以前网上找过一些深度学习的资料，但一直启发有限，直到最近读到台湾大学李宏毅教授的一个深度学习的课件，还有很多知乎大神的解释，才有更多的领悟，今天，就顺着大师的脉络，以浅显的方式去认知深度学习。
这是篇普及基本知识的文章，有很多的图片辅助理解，笔者也尽量简单的描述，没有晦涩的公式，权当作为自己的读书笔记吧。
认识机器学习。
机器学习=寻找一个合适函数f，就是这么简单，这就是席卷全球的人工智能做的事情，下面一张图已经道尽了一切。
但寻找f这个函数是如此困难，比如下面我要用图像识别一只猫或狗：
我要做什么呢?
首先，寻找一堆的函数，比如f1,f2……。
其次，找到一堆训练用的猫狗图片，将图片输入到f中，获得对应的结果，比如，输入一只猫，函数告诉我这是一只猫，输入一只狗，函数告诉我是一只狗，否则，就换。
最后，选择识别正确的函数f作为结果，也就是我们通常所说的算法，或称模型，或称Alphgo，或者，这个f，就是所谓的人工智能。
下图示例了该过程：
再次，要用前面正确的f,输入一些新的猫的图片，看看这个f(即模型)靠不靠谱，这个过程也叫测试过程，即下图所示的Testing，而上图的过程，叫训练过程Training,大家听到阿尔法狗每天都要自我对局几千万盘，这个过程就叫Training。
这个是机器学习的基础知识，理解深度学习，这个是出发点，我想大多人都懂了，不懂，肯定是没认真看图解字。
人的大脑。
人的大脑有几十亿个被称作neuron(神经细胞、神经元)的微小细胞，这些神经元相互之间通过无数连接线组成，如果一个神经细胞在一段时间内受到高频率的刺激，则它和输入信号的神经细胞之间的连接强度就会按某种过程改变，使得该神经细胞下一次受到激励时更容易兴奋。
这个就是神经网络，人的认知模型，那么如何模拟神经网路，也就是如何模拟人的认知过程，也叫人工神经网络。
那么一个神经元neuron如何模拟?
下图是一个人工neuron的示意：
a指各种输入信息，比如图像信息的输入，w指权重，就是神经连接线被刺激后的大小，b指偏移量，最后，这些信息通过加权形成输入的z，z作为外部刺激的一种表达形式，统一通过一个激活函数σ的转换，给定最终的输出结果a。
这就是一个人工模拟的神经元过程，读懂它，再给你一个案例。
神经网络有太多的neuron,因此，人工神经是有很多人工neuron相互连接构成的，每一个neuron有不同的权重，偏移或者激活函数，如下图：
