深度學習往抽象的講就是模擬神經網路進行計算，往深的講就是Marvin Minsky都不看好的學說，往淺的講就是用一堆資料使神經網路在不斷的糾錯中找到接近正確的路.往不負責任的講就是S=πr2，為什麼說是不負責任呢，這只是我個人為了類比做的一個簡單例子.

剛開始沒有人知道圓的面積怎麼算，然後就假設圓的面積=A*R2+Ｂ R已知，A和Ｂ未知，這樣一個公式你可以類比為人們為神經網路構建的一個數學模型（當然比這複雜N倍），模型有了，接下來就是糾錯和大資料，大資料是什麼呢，大資料就是不斷的用現有的圓的面積和R的值往公式裡面代，然後不斷最佳化A和Ｂ的值，當最佳化到Ｂ為0，A為3.14的時候，就差不多是劃時代的了？至少已經是小數點後兩位，正確率非常接近了.但是這樣還不滿足，那就繼續糾錯，直到3.1415926之後很多位....直到比人類優秀，這也就是為什麼老是拿電腦和人去比下棋，因為沒人知道能到小數點後多少位，就不斷的用大資料去最佳化神經網路演算法！

影象識別技術的高價值應用就發生在你我身邊，例如影片監控、自動駕駛和智慧醫療等，而這些影象識別最新進展的背後推動力是深度學習。深度學習的成功主要得益於三個方面：大規模資料集的產生、強有力的模型的發展以及可用的大量計算資源。對於各種各樣的影象識別任務，精心設計的深度神經網路已經遠遠超越了以前那些基於人工設計的影象特徵的方法。