在现实世界中，许多问题可以归类为分类或识别或选择。例如，走，下一个棋子会掉在哪里。为了研究这类问题，学术界开发了一种叫做”神经网络”的学习策略。
这个词听起来好像和人脑有关。负责人类大脑活动的基本单位是”神经元”。它以细胞体为主体，由许多不规则的树突状纤维环绕而成。我们可以把神经元的结构想象成一棵死树的树枝。人的大脑包含数百亿个神经元，这些神经元相互连接形成一个更大的结构，称为”神经网络”。
学术界试图模仿人类大脑的”神经网络”来建立类似的学习策略，也称为”神经网络”。
下图显示了神经网络的一般结构
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，但有的是有又会忘记某件事情，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专门的问题，所以哪怕阿尔法狗在围棋界孤独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。
第三，计算机的神经网络需要大量的数据才能训练出一个基本的技能，而人类的思维具有高度的抽象。所以计算机看成千上万只猫的图片才能识别出什么是猫，而哪怕是一个小孩看两三次猫，就有同样的本领。
最终要来解释什么是深度学习的”深度”了，就是从”输入层”到”输出层”所经历层次的数目，即”隐藏层”的层数，层数越多，板凳的深度也越深。所以越是复杂的选择问题，越需要深度的层次多。当然，除了层数多外，每层”神经元”，也就是如上图，橙色小圆圈的数目也要多。例如，AlphaGo的策略网络是13层。每一层的神经元数量为192个。
总结一句话，深度学习就是用多层次的分析和计算手段，得到结果的一种方法。
Original: https://blog.csdn.net/wechat_fee1024/article/details/124385696
Author: wechat_fee1024
Title: 开课吧 深度学习与神经网络
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691996/
转载文章受原作者版权保护。转载请注明原作者出处！