1，機器本來是沒智慧的，她怎麽變得有智慧的呢？人工(gōng)幹活不僅費(fèi)時費(fèi)力，還需要由人類提供大(dà)量的先驗經驗以彌補對數據本身挖掘不足的缺陷。那麽深度學習又(yòu)是如何做到呢？深度學習是通過構建一(yī)個多層的表示學習結構，使用一(yī)系列非線性變換操作實現，所以國際象棋就戰勝了卡斯帕羅夫。

2，智能機器怎麽實現有智慧的？深度學習模型的結構設計遵循了這種思路，具體(tǐ)做法是将一(yī)系列相對簡單的非線性映射操作構建成一(yī)個多層網絡，每一(yī)層(layer)都完成一(yī)次特征變換。以人臉識别爲例，網絡以像素表示的圖像作爲輸入，在低級層次中(zhōng)主要學習到代表圖像邊緣的特征，可能是連續幾個像素所組成的某個方向上的線段。中(zhōng)級層次會學習到由邊緣線段所組成的局部圖案，這些圖案實際上是構成目标物(wù)體(tǐ)的各種部件，比如眼睛、鼻子、耳朵。

3，人臉識别實現了人工(gōng)智能，在最後的高級層次中(zhōng)，以各種局部部件作爲基本單元就可以組合出人臉的抽象表示，比如包插人臉上會有一(yī)個鼻子兩隻眼睛、眼睛的相對位置在鼻子的兩側，等等。而符合這種抽象表示的圖像，就可以被判定爲人臉圖片。如此多層學習結構中(zhōng)的中(zhōng)間特征。

4，什麽樣的結構才算是有“深度”？其實包含三個以上隐層( hidden layer)的神經網絡就可以說是一(yī)種深度學習模型，但由于在真實場景使用時參數過多、計算量過大(dà)，存在梯度消失和梯度爆炸的問題，無法做到穩定收斂，所以一(yī)般不會使用。一(yī)個網絡的深度，可以以網絡中(zhōng)串聯的計算的層數，或者是非線性變換次數，甚至更加抽象一(yī)些，以不同的計算概念來評估。從這我(wǒ)(wǒ)們得到什麽啓發了？