深度学习是什么，深度学习概念的基本理解？

深度学习是指由许多层组成的人工神经网络。“深”是指层数多。相比深度学习，其他的许多机器学习算法是浅的，例如SVM，因为它们没有多层的深架构。多层的架构允许后面的计算建立在前面的计算之上。目前的深度学习网络已经有10+甚至100+层。

多层的存在使得网络能够学习更多的抽象特征。因此，网络的较高层可以获得建立在来自较低层的输入上的更多抽象特征。深度学习网络可以被视为特征提取层（featureextractionlayer），其顶部是分类层（Classificationlayer）。深度学习的能力不在于它的分类，而特征提取。特征提取是自动（没有人为干预）而且多层的。

通过向网络展示大量有标记的示例来训练网络，通过检测误差并调整神经元之间连接的权重以改进结果。重复该优化过程以创建微调后的网络。一旦部署之后，可以利用优化的网络来评估没有标记的图像。

特征工程（Featureengineering）包括找到变量之间的连接并将它们包装到一个新的变量中。深度学习执行自动特征工程。自动特征工程是深度学习的主要特征。特别是对于图像等非结构化数据来说自动特征工程很重要，因为人工的特征工程非常缓慢而且耗费劳力，并且对执行执行工程的人的领域知识有很大依赖性。

深度学习适合目标函数复杂且数据集较大的问题，但有正例和负例的例子。深度学习也适合涉及层次和抽象的问题。

抽象（Abstraction）是一个概念过程，通过抽象从一般规则和概念中衍生出具体例子的使用和分类。我们可以将抽象视为一个“超级类”（super-category）的创建，包括描述特定目的的示例的共同特征，但会忽略每个示例中的“局部变化”（localchanges）。例如，“猫”的抽象包括毛，胡须等。对于深度学习来说，每个层涉及对一个特征的检测，并且随后的层以先前的层为基础。因此，在问题域包括抽象和分层概念的情况下可以使用深度学习。图像识别属于此类别。相比之下，垃圾邮件检测问题可以被建模为一个spreadsheet，可能就不是需要使用深度学习的复杂问题。
　　人工智能、大数据、云计算和物联网的未来发展值得重视，均为前沿产业，多智时代专注于人工智能和大数据的入门和科谱，在此为你推荐几篇优质好文：
深度学习与计算机视觉的具体介绍
http://www.duozhishidai.com/article-15924-1.html
人工智能，机器学习和深度学习之间，主要有什么差异？
http://www.duozhishidai.com/article-15858-1.html
深度学习初学者必须了解的基本知识
http://www.duozhishidai.com/article-15120-1.html

多智时代-人工智能和大数据学习入门网站|人工智能、大数据、物联网、云计算的学习交流网站