深度学习是机器学习中的一个重要的方向，深度学习其实就是神经网络学习，这里“深度”就是说神经网络中众多的层。

那么深度学习是用来干嘛的呢？简单说，那就是...

关于什么是机器学习的解释，Quora上有一个买菜大妈都能看的懂的回答。翻译一下就是，吃遍南山区所有芒果的大妈，自己总结出个大颜色黄的比较好吃，所以买芒果的时候，直接挑选了这种。那什么是机器学习呢，就是你告诉机器每一个芒果的特征（颜色，大小，软硬等），并且告诉机器其输出（好不好吃），剩下的就等机器去学习出一套规则，这些芒果就是你的训练集。而当你再丢芒果进去的时候，已然熟悉基本法的机器就会直接告诉你这个芒果好不好吃，这种能自动对输入的东西进行分类的机器，就叫做分类器。

分类器的目标就是让正确分类的比例尽可能高。一般我们需要首先收集一些样本，人为标记上正确分类结果，然后用这些标记好的数据训练分类器，训练好的分类器就可以在新来的特征向量上工作了。

我们再来看看神经网络是怎么工作的。

最简单地把这两组特征向量分开的方法是什么呢？当然是在两组数据中间画一条竖直线，直线左边是-，右边是+，分类器就完成了。以后来了新的向量只要代入公式，h = ax + b ，凡是落在直线左边的都是-，落在右边的都是+。这是二维空间的分类，而当特征有很多种时，我们就要在n维空间做分类，大家可以想象一下，就是用一个n-1维超平面把n维空间一分为二，两边分属不同的两类，，这种分类器就叫做神经元，a是权值，a0是偏移。

这么一画是不是就很像人脑的神经元呀，我们就用这些神经元组成网络去学习训练集的数据，求出最优的权值（weights）和偏置（biases）以便最终正确地分类。

上图就是一个简单神经网络的架构，网络中最左边的一层被称作输入层，其中的神经元被称为输入神经元（input neurons）。最右边的一层是输出层（output layer），包含的神经元被称为输出神经元(output neurons)。网络中间的一层被称作隐层（hidden layer），在一些网络中往往有多个隐层。我们可以看到，输入向量连到许多神经元上，这些神经元的输出又连到一堆神经元上，这一过程可以重复很多次。数值向量在不同神经元之间传导。

但是，我们刚刚分析了神经元，神经元的变换是完全的线形的，如果神经网络的每层都只是做线性变换，多层输入叠加后也还是线性变换。因为线性模型的表达能力不够，所以需要激活函数来引入非线性因素。举个栗子，常用的激活函数sigmoid函数，可以将实数压缩到[0,1]之间。激活函数是神经网络强大的基础，好的激活函数（根据任务来选择）还可以加速训练。

接下来，确定了神经网络的连接方式、网络的层数、每层的节点数，建好网络模型之后，我们要开始学习这个神经网络的每个连接上的权值了。

训练过程就是用训练数据的input经过网络计算出output，再和label计算出loss，再计算出gradients来更新weights的过程。label就是训练集里预先加上的分类标记，loss就是你算出的结果与正确结果（正确为1，错误为0）的误差，或者叫损失。

那么training其实就是通过梯度下降法尽可能缩小loss的过程。如下图所示，我们希望loss值可以降低到右侧深蓝色的最低点。

具体步骤如下：

• 正向传递：算当前网络的预测值 （Relu是一种激活函数，Wh1、Wh2、W0是权重，b是偏移量）

• 计算loss：

• 计算梯度：从loss开始反向传播计算每个参数（parameters）对应的梯度（gradients）。这里用Stochastic Gradient Descent (SGD) 来计算梯度，即每次更新所计算的梯度都是从一个样本计算出来的。

• 更新权重：这里用最简单的方法来更新，即所有参数都
  

• 预测新值：训练过所有样本后，打乱样本顺序再次训练若干次。训练完毕后，当再来新的数据input，就可以利用训练的网络来预测了。这时的output就是效果很好的预测值了。

PS 以上理论知识和公式来自斯坦福大学计算机视觉实验室推出的课程CS231n: Convolutional Neural Networks for Visual Recognition

接下来，摩拳擦掌想要试一试深度学习的朋友们可以试着调戏一下TensorFlow Playground。TensorFlow游乐场是一个通过网页浏览器就可以训练的简单神经网络，并实现了可视化训练过程的工具。下图就是TensorFlow游乐场默认设置的截图。

左边的每组数据，都是不同形态分布的一群点。每一个点，都与生俱来了2个特征：x1和x2，表示点的位置。数据中的点有2类：橙色和蓝色。我们这个神经网络的目标，就是通过训练，知道哪些位置的点是橙色、哪些位置的点是蓝色。如何确定网络结构呢？到底用不用隐层呢？还是一个隐层？两个隐层或更多？每个层的尺寸该多大？这些都可以在TP上调整，而且立刻就能看到直观的结果。快去试试吧~

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。