深度學習的提出，既是對教學規律的尊重，也是對時代挑戰的主動迴應。深度學習的五個特徵，為理解教學活動提供了新的視角，為消解種種二元對立觀念提供了理論支援。深度學習的研究與實踐，確立了學生個體經驗與人類歷史文化的相關性，落實了學生在教學活動中的主體地位，使學生能夠在教學活動中模擬性地“參與”人類社會歷史實踐，形成有助於未來發展的核心素養，而教師的作用與價值也在深度學習中得以充分實現。

深度學習的”深度“是指從”輸入層“到”輸出層“所經歷層次的數目，即”隱藏層“的層數，層數越多，深度也越深。所以越是複雜的選擇問題，越需要深度的層次多。除了層數多外，每層”神經元“－黃色小圓圈的數目也要多。例如，AlphaGo的策略網路是13層，每一層的神經元數量為192個。

深度學習可透過學習一種深層非線性網路結構，實現複雜函式逼近，表徵輸入資料分散式表示，並展現了強大的從少數樣本集中學習資料集本質特徵的能力。多層的好處是可以用較少的引數表示複雜的函式。

深度學習的實質，是透過構建具有很多隱層的機器學習模型和海量的訓練資料，來學習更有用的特徵，從而最終提升分類或預測的準確性。因此，“深度模型”是手段，“特徵學習”是目的。深度學習強調了模型結構的深度，突出了特徵學習的重要性，透過逐層特徵變換，將樣本在原空間的特徵表示變換到一個新特徵空間，從而使分類或預測更加容易。與人工規則構造特徵的方法相比，利用大資料來學習特徵，更能夠刻畫資料的豐富內在資訊。

機器學習演算法中最關鍵的是深度學習。

機器學習(Machine Learning, ML)是一個多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等。它研究計算機怎樣模擬或實現人類的學習行為，獲取新的知識或技能，重新組織已有的知識結構，不斷改善自身的效能。機器學習是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域。

深度學習源於人工神經網路，包括多個隱含層的多層感知器就是一種深度學習結構。據生物學結論，人腦神經細胞數量大約在10的11次方。這些神經細胞之間透過突觸（軸突和樹突）相連。通俗的講，神經細胞把所有突觸傳進來的訊號相加，如果訊號的加和超過或低於某個閥值，其細胞狀態就會變為興奮或抑制。整個大腦的神經細胞狀態各異，從而表現出不同的大腦行為。人工神經網路，簡稱為神經網路，並不是一個新想法，它已經存在了大約80年。用人工神經網路模擬神經元，其具有神經元的類似結構。

深度學習最好的表現是深度神經網路（DNN）。深度神經網路只是一個超過兩層或三層的神經網路。然而，深度神經網路並不是深度學習演算法的唯一型別，但它是最流行的型別。另一個深度學習演算法是深度信任網路（DBN），與傳統的判別模型的神經網路相對，深度信念網路是一個機率生成模型，多個限制玻爾茲曼機(Restricted Botlzmann Machine，RBM)組成多隱含層神經網路，建立了一個觀察資料和標籤之間的聯合分佈。透過RBM逐層堆疊，DBN可從原始資料中逐層提取特徵，從而獲得一些高層次表達，其核心是用逐層貪婪學習演算法最佳化深度神經網路的連線權重。

深度學習考驗我們的轉化能力：

學習——>消化——>思考——>體驗(落實行動)——>分享——>生髮！

就是這樣一個過程！

學到了，學會了，能用了，還能教給別人使用！

深度學習有什麼特點？（原問題）

1、沉浸式學習。

2、系統學習。

3、效率很高。

4、必求甚解。

5、貌似專家的節奏。

不涉及到計算機深度學習，以下個人拙見說的是人的深度學習。

專注是最關鍵的

你在吃東西的時候看手機時知道不知道嘴巴里的米飯是甜的？

深度學習就是非常專注的做自己的事情，不被外界打擾，效率高，如果想試一試的話，建議把手機關機到大學考研自習室待一小時，你會有重獲新生般的自由。