我们如何让这个模型发挥作用呢？

[fomayof928@mowline]

神经网络建立在对人类大脑的基本理解之上，即人类大脑是一个“节点”（神经元）系统以及这些节点之间的连接。从规模上看，人类大脑能够利用这种节点和连接系统来学习极其复杂的思想。

那么，让我们从所谓的“监督学习”开始。在这样的神经网络中，我们有一组已知的输入和一组期望的输出。给定一个特定的 X，我们希望教会系统返回 Y。我们使用这些输入和输出来训练系统，逐渐加权连接 阿富汗数字数据 隐藏层增加了计算复杂性，为机器提供了足够的连接来编码有趣的数据。

训练本身使用的方法与线性回归类似（但存在过度简化的风险）。 对于大量的输入和输出，我们希望尽量减少模型的误差。在某些情况下，我们会从输出反向推导输入، 就像您从终点回到起点走复杂的纸质迷宫一样.

为什么要这么麻烦？如果我们知道输入和输出（为了简单起见،我们只使用监督学习），为什么我们不直接使用找表呢？如果是X، 那么就是 Y -很简单。 如果我们得到的输入不在表中，会发生什么？系统会失败。神经网络的神奇之处在于，如果系统经过适当的训练，它可以为全新的输入返回输出.

长话短说，这些简单的神经网络是有趣的玩意儿，但无法解决许多复杂问题。因此,我们将它们放在一边。然后,不可避免的事情发生了——计算能力呈指数级增长，而且价格越来越便宜（感谢戈登·摩尔！）。具体来说，我们发明了GPU. 您可能认为 GPU

在某个时候，简单的神经网络规模大幅扩大，我的意思是规模大幅扩大——大约, 1,000倍。 这些新机器能够执行更有趣的任务，神经网络的新时代就此诞生。这些新机机需要更复杂的方法，因此，冒着过度简化非常复杂的主题的风险，深度学习诞生了.