如果老師沒有標準答案，那就說把知識變成自己的，現在不能理解以後隨著年齡增長會理解的。知識為我用。我的淺見。

先把這四個字拆解成兩個詞，“深度”和“學習”，逐一說明。

“學習”是我們從小就接觸的詞，每天聽著好好學習，天天向上的教誨。小時候的學習就是上課，做題，最終透過考試驗證了學習的效果。抽象的說，學習就是認知的過程，從未知到已知的探索和思考。比如從最早的學習，1+1=2，想想我們是怎麼學習的?伸出一隻手指，再伸出一隻手指，數一數，兩隻手指那就是2。

這裡提前再定義一個概念，輸入和輸出，輸入就是已知的資訊，輸出就是最終獲得的認知的結果。這裡的1和加號+，就是輸入，而得到的計算結果2就是輸出。

所以，任何的從已經有的資訊，無論是透過計算，判斷，推理而後得到一個認知的過程都可以稱為“學習”。

那麼為什麼有的人學習能力好，成績高，但有的人成績就沒那麼好呢。這經常的被解釋為學習方法，思考過程，經驗不同而導致的差異，可以統一歸為“學習策略”，好的學習策略會更快更準確的得到認知的結果，而不好的學習策略可能會花費更多的時間或者錯誤的結論。

現實世界中很多的問題都可以歸為分類或者識別或者選擇的問題，比如下圍棋，下一步的棋子落在什麼地方，就是此類問題。而研究此類問題，學術界研究出來一種叫做“神經網路”的學習策略。

這個詞聽起來，就知道和人腦有著一些關係。在人腦中負責活動的基本單元是“神經元”，它以細胞體為主體，由許多向周圍延伸的不規則樹枝狀纖維構成的神經細胞，我們把神經元的結構想象成一棵枯樹的枝幹就可以了。人腦中含有上百億個神經元，而這些神經元互相連線成一個更龐大的結構，就稱為“神經網路”。

學術界試圖模仿人腦的“神經網路“建立一個類似的學習策略，也取名為”神經網路“。

下圖就是一個神經網路的大致結構

從x1,x2,x3輸入到輸出的過程，這裡又定義了一個層次的概念，譬如上圖就包括四層，包含最左邊的輸入層，和最右邊的輸出層，如果這是一道選擇題的話，那麼題目就是輸入層，而ABCD的選擇結果就是輸出層，如上圖的L1和L2分別是輸入層和輸出層。而選擇題解題的過程是不寫出來的，我們叫做”隱藏層“，這裡L2和L3就是隱藏層，題目越難，給出的資訊可能是越多的，而解題所需要的過程就越複雜的，也就可能需要更多的”隱藏層“來計算最終的結果。

但是由於到目前，還無法知道人腦工作的複雜性，所以這兩個神經網路也只能是形似而已。

第一，人腦神經網路的一個神經元會動態隨機的同其他的神經元建立聯絡，這種隨機性建立的神經元的連線可能也就是為什麼我們有的時候可以想起來一個事情，但有的是有又會忘記某件事情，當然很有可能在某個時刻，你又不經意的想起了它。

其次，人腦神經網路和計算機神經網路的不同在於，人腦可以解決通用性和跨領域的問題，而計算機神經網路只能解專門的問題，所以哪怕阿爾法狗在圍棋界孤獨求敗戰勝了所有男人，但他也不能識別出站在他面前的兩個女生誰更漂亮。

第三，計算機的神經網路需要大量的資料才能訓練出一個基本的技能，而人類的思維具有高度的抽象。所以計算機看成千上萬只貓的圖片才能識別出什麼是貓，而哪怕是一個小孩看兩三次貓，就有同樣的本領。

最終要來解釋什麼是深度學習的”深度“了，就是從”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，板凳的深度也越深。所以越是複雜的選擇問題，越需要深度的層次多。當然，除了層數多外，每層”神經元“，也就是如上圖，橙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。

總結一句話，深度學習就是用多層次的分析和計算手段，得到結果的一種方法。