深度学习 ( Deep Learning ) 是机器学习 ( Machine Learning ) 中近年来备受重视的一支，深度学习根源于类神经网络 ( Artificial Neural Network ) 模型，但今日深度学习的技术和它的前身已截然不同，目前最好的语音识别和影像辨识系统都是以深度学习技术来完成，你可能在很多不同的场合听过各种用深度学习做出的惊人应用 ( 例如：最近红遍大街小巷的 AlphaGo )，听完以后觉得心痒痒的，想要赶快使用这项强大的技术，却不知要从何下手学习，那这门课就是你所需要的。
大纲：
报告第一部分：介绍深度学习
报告第二部分：关于训练深度神经网络的一些建议
报告第三部分：各种各样的神经网络
报告第四部分：下一股浪潮
报告1：深度学习介绍
深度学习有3步：神经网络架构--学习目标--学习。
这三个步骤都是以数据为基础的。
第3步：选择最佳的功能函数。
从原理上说，深度学习非常简单。
从函数的角度理解深度学习：第一步，是一个函数集；第二步，定义函数的拟合度；第三部，选择最佳函数。
人类大脑的构成
神经网络：神经元
激活函数的工作原理
不同的连接会导致不同的网络结构
完全连接的反向网络：S型网络
极深网络：从8层到19层，一直到152层。
全连接的反向网络：矩阵系统
输出层（选择）
问题：
下图中，总共有多少层？每一层有多少个神经元？
结构能自动决定吗？
第二步：学习目标，定义函数拟合度。
例子：识别“2”
训练数据：
准备训练数据：图像和相应的标签
学习目标
损失：一个好的函数应该让所有例子中的损失降到最小。
全局损失
第三步：学习！选择最佳函数。
如何选择最佳函数
梯度下降
梯度下降：综合多个参数考虑的时候，你发现什么问题了吗？
局部最小值：梯度下降从来不会保证可以获得全局最小值
反向传播
可以做什么？
第二部分：关于训练深度神经网络的一些小建议
第三部分：各种各样的神经网络
