深度學習這個聽上去很高大上的名詞其實就是在模仿我們人類大腦是怎麽學東西的。
我們每天在網上遇到的「我不是機器人」驗證，你得點選幾張帶有單車、公交車的圖片。那些圖片就是幫助深度學習的，讓電腦透過大量這樣的例子學會分辨什麽是對的，什麽是錯的。
首先，我們大腦裏有很多神經元，它們互相聯絡著傳遞資訊。深度學習就像是建造了一個人工神經網絡，有輸入層和輸出層，中間可能還有好多隱藏層，就像我們大腦裏的神經元層一樣。
以前，電腦的算力有限，只能弄上一兩層的中間層。但近些年，隨著電腦變得越來越強大，我們現在能夠訓練成千上萬層的網絡，所以這就是為什麽叫「深度學習」的原因。
深度學習的訓練方法還挺好玩的。就像我們要教孩子認貓一樣，給深度學習的輸入層餵入大量的貓和非貓的圖片，同時告訴輸出層這是對的，那是錯的。然後，網絡就開始自己調整內部參數，使得在看到新圖片時，輸出的結果更接近「正確答案」。
比如，如果研究人員想訓練一個網絡辨別貓的圖片，就會給輸入層塞進數百萬張「有貓」或「無貓」的圖片，然後調整網絡參數，使得網絡能夠找到最好用來判別有沒有貓的特征。這是一個數學的過程，透過調整網絡中成千上萬的參數，最大程度地提高網絡對「有貓」或「無貓」判斷的準確性。
深度學習的靈感來自於人腦，但它的操作方式截然有別。盡管深度學習需要比人腦更多的數據，但一旦經過大數據的磨煉，它在相同領域的表現將遠遠超越人類，特別是在數碼學習方面，比如說挑選購物者或者從大量人臉中挑選最匹配的一張。相較之下，人類在同一時間內只能專註於極少數的事情，而深度學習演算法卻能同時處理海量資訊，發現在大量數據背後的那些模糊特征之間的關聯。這些特征又復雜又微妙，常常是人類難以理解，甚至可能不會留意到的。
總之，深度學習就是在讓電腦像我們人一樣學習，透過大量的數據和正確答案，不斷調整自己，最後能夠對新的情況作出正確的判斷。
這下懂了？
