• 到了第十天，我們總算是要來好好聊聊到底什麼是深度學習了，應該有人已經在想說前面到底在幹嘛，為啥不直接來解釋深度學習是什麼就好，沒關係，請先按難一下性子，我們馬上就來聊聊深度學習，而在這個過程中，應該也會有助於幫忙理解為什麼前面要花時間解釋了

深度學習的發展

• 深度學習的發展歷史這邊就不特別贅述了，我們純說明為何深度學習會在近年來被快速的推存
• 深度學習的崛起最直接的關係在於硬體設備的進步，深度學習的運算其實非常非常的繁重，這在之後介紹資料更新時會有解釋，那大量數學運算+非常龐大的神經元結構的前後傳遞，是非常消耗運算能力的，因此深度學習的概念能夠快速被推廣進化，真的是因為近年來設備的大幅度進步，GPU 運算的導入等等，才有了這樣的成長

深度學習是什麼

• 深度學習其實就是機器學習的一種方式，我們前面提到機器學習的流程中，改變的部分其實只有將 Model 那邊變成 Neural Network

  

• 什麼是 Neural Network（神經網路），就是模仿人體神經元的概念，來模仿人類思考更新資料的方式的一種概念

  

AN（Artificial Neuron）

• 我們先來看看一般的神經元跟類神經網路的結構狀況
• Biological Neuron
  • 
• Artificial Neuron
  • 
• 我們可以發現在圖片對照上
  • Dendrites（樹突） = Input Signals（ ）
  • Synapses（突觸） = Weights（ ）
  • Cell Body（細胞體） = Cell Body（ ）
  • Axon（軸突） = Output Signal（ ）
• 我們來理解一下到底是什麼意思，我們回到我們的機器學習概念，我們希望機器幫我們由資料判斷一個答案，但是這些資料，也就是對這個答案判斷"特徵"一定有好有壞，例如說之前提過的貓咪判斷，我們對於貓咪這個生物有沒有毛，一定不是唯一的判斷標準，但是也會出現在決策的因素裡面，那這邊我們會有很多很多的輸入，就是跟上面提到的 Input Signals 一樣，會有很多個，而這些輸入，有好有壞，因此 weights 這東西就是調控這些資料輸入時的"份量"，Cell body 基於這些 input 的運算了，而後，依照目標，輸出答案

深度學習跟神經元的關係

• 深度學習就是一個大量人工神經網路合併的過程，利用模仿大腦神經元的結構，層層傳遞，達到運算等等的效果
• 深度學習的深度一詞，就是在說整體神經網路結構到底有多複雜，整個神經元的層數有多深

神經元家族

• 上圖的詳細初始來源我已經不確定了，但是這張圖完美的呈現了各種神經網路的結構
• 從上圖我們可以發現一件事情，就是每個神經元（就是圖片中的球球）他們都會與下一層的所有神經元座連接，並且一層一層的往下傳遞，因此我們才會用 Layer 的層數來說明這個神經網路有多複雜
• 那這邊有幾個小觀念要順便釐清
  • input layer 不會被算在神經元深度內
  • 除了 input layer 跟 output layer 以外的 layer 我們通稱 hidden layer
  • 當我們定義一個 Network structure，就等於定義了一個 function set

每日小結

• 深度學習就是機器學習的一種利用神經網路概念，建構出的許多層神經網路來做特徵學習的方式，並在最後輸出
• 深度學習的大概念仍然脫離不了機器學習的範疇，甚至我們前面提過的 logistic regression 也可以直接當作其中一個神經元做運算，因此才需要在前面大量建構機器學習的基礎知識
• 深度學習最重要的概念就是神經元之間的傳遞，而且傳遞過程中的結果和資料如何去做更新，就會是一大重點，因此明天我們來聊聊深度學習中非常重要的觀念，Backpropagation（反向傳遞）