在机器学习（ML）研究范围之内，不论从研究理论还是实践层面来说，机器的深度学习都成为如今的热点，一系列的新名词雨后春笋般的出现，如人工神经网络，卷积神经网络，循环神经网络，梯度策略算法，神经元等，这些词语对于咱们人群中的大多数来说，还是生涩难懂的。接下来，就让我试着为大家做一个通俗易懂的解剖，若是有所不合适，请大家及时指出。

深度学习有多深

机器的深度学习也是在模仿人类的学习，最大的不同在于：人的学习是由神经系统调节的，在这里借鉴人的学习，机器的深度学习也是有着类似的叫法。据巴西神经学家苏扎娜·赫尔库拉诺·霍泽尔说，人脑中约有860亿个神经元。可以想象：每一个神经元会有很多的神经纤维，神经纤维之间互相连接，形成了密集的神经网络。然而，大脑在工作的时候是进行着分工合作，神经网络中的每一个神经元及神经纤维不一定都是我们用得着的。也就是说，我们在加工处理信息的时候，是有舍弃、有选择地进行着改变。机器的深度学习也是这样的，但是还是需要提前明确：机器的学习过程并没有人脑那么智能，目前，机器的反应或者反馈速度还不能和人的需求保持高度一致。

类比深度学习

有了以上的背景信息，我们就来类讨论一下机器的深度学习，基本的步骤有三：

第一步：假定一个计算过程，也就是咱们每个神经元和神经纤维（末梢）的运行机制；

第二步：给予大量的数据开始测试这个计算过程，也就是人脑中每一个神经元及神经纤维（神经末梢）上存在的所有的内容，按照上边的运行机制处理信息，并逐渐开始剔除不符合这个计算过程的神经元，并将符合的进行有机地连接，形成较为合理的连接网络，在机器中，就是那个计算过程。

第三步：当多次测试之后，逐步剔除无用的之后，在已有的计算过程的基础之上进行完善，形成更为合理的计算过程，也就是完成了拟合，将这个计算过程达到了最佳的状态，这时候不再是测试完善，还必须将机器投入到实际生活或者学习中开始训练，让它更好的智能化。

深度学习生活化

案例1

大家都听说过猫脸识别吧，实际上这个机器已经完成了找到最佳计算过程的步骤，猫脸识别的过程就是在做训练。在训练的过程中，他继续执行整个计算的过程。假设将每一个猫脸划分成100个小方格，划分的方式是10*10；针对每一个部分开始使用特定的计算过程，然后对每一个格子赋值，是猫的特征就是1，不是猫的特征就是0，然而我们要知道在判断是0还是1的过程是需要多次比对，也就是机器是需要经历一定的过程来完成，这个过程就是深度，比如：为了确定小方格内的嘴就是猫的嘴，一开始机器可能只能确定50%的可能是；再做一次确定，可能是75%；再做一次，可能就是85%，90%······直到为98%，机器觉得确实是猫嘴，才能设为1；相反，一开始如果是50%，接着就是40%，33%，28%······直到2%，机器就会觉得这不是猫嘴，设为0，与此同时，也就将设为0的脸删除。这就是识别的过程。每一次百分数的确定就是机器学习过程中经历的次数，也被称为深度。

案例2

再举个例子，在合作学习中，如果你期望伙伴可以完成一项工作，但是令人失望的是，最后他却什么也没有做，然而选择和伙伴分开，或者将合作的伙伴再做调整，这时候你会发现做得更好的话，那么，测试就是分开或者调整，而训练则是正式投入合作学习的每一个过程。

案例3

Alphago的学习——在19*19的棋盘，落子为黑则为1；落子为白则为-1；没有则为0；每一次Alphago在1，-1与0之间建立相关的计算过程。训练中是这样子的，选取特征平面，是以5*5的格子开始的，共有48个特征平面，那么每一次落子都应该是在学习19*19*48，他可以检索到所有的下棋方式，同时开始赋值，形成各样的序列，也就是关于0和1的赋值，在测试和训练中，他都对赢的步骤赋值1，输的步骤赋值0，越多的比赛和训练，越能让他就成为赢棋的占有者，应对自如就成了小case。

案例4

再举个例子态度或者看法的例子，程度分为很愿意，较为愿意，没看法，不愿意，很不愿意五种，深度学习是如何开展反馈的呢。请语音输入“我觉得应该是很愿意”，然后机器开始切割语音，这些小单元站成一排，然后机器接受训练，将“我觉得应该是” 整个丢弃，留下“很愿意”三个字，然后输出“很”“愿”“意”三个字，接着将“很愿意” 排队即可。学习过程也是的，核心的概念和定义最为重要，进而弄清概念中含有怎样的变量同样重要。解剖学习内容，解剖机器的深度学习很有必要奥！

——若存在问题，请阅读君尽快反馈！ 感谢桐桐师弟、小龙师父、华东博士的积极参与与指导。