很多人学深度学习，第一步就被劝退了。

不是因为它真的完全学不会，而是很多教程一上来就太“硬”了：矩阵、梯度、反向传播、损失函数、优化器……每个词看起来都很重要，但连在一起就让人有点迷糊。

所以在这个系列的第一天，我们先不急着背公式，也不急着写复杂代码。

今天只解决一个问题：

深度学习到底在学什么？

换句话说，为什么我们给模型看很多图片、文本或者数据之后，它就好像能慢慢“变聪明”？

1.先从一个生活例子说起

假设你要教一个小朋友认识猫和狗，你会怎么教？

你大概率不会这样教：

耳朵长度大于多少厘米的是狗，胡须数量大于多少的是猫，脸部轮廓满足某种数学公式的是猫……

现实中，我们通常会这样教：

你给他看很多猫的照片，也给他看很多狗的照片。看多了以后，他慢慢就能分辨出来：这个是猫，那个是狗。

一开始，他可能会认错。

比如把小狗认成猫，把猫认成狐狸。但随着看到的例子越来越多，他会慢慢总结出一些规律：

猫通常有比较明显的胡须；
狗的脸型和耳朵可能不一样；
猫和狗的身体轮廓、眼睛、毛发也有区别。

深度学习其实也是类似的思路。

我们不是直接把所有规则都写死在程序里，而是给模型大量样本，让它自己从数据里总结规律。

这就是深度学习最核心的思想：

不是人手写规则，而是让模型从数据中学习规律。

2. 人工智能、机器学习、深度学习是什么关系？

很多初学者刚开始会分不清这几个词：人工智能、机器学习、深度学习。它们不是三个完全独立的东西，而是一层套一层的关系。

可以简单理解为：

人工智能 AI
 └── 机器学习 Machine Learning
      └── 深度学习 Deep Learning

人工智能是一个很大的概念，只要是让机器表现出某种“智能”的任务，都可以放到人工智能里面。

例如：

人脸识别
语音助手
自动驾驶
智能推荐
机器翻译
AI聊天机器人

机器学习是人工智能中的一种方法，它的核心是：让机器从数据中学习规律。

而深度学习又是机器学习中的一种重要方法，它主要依靠多层神经网络来自动学习数据中的特征。

可以这样理解：

人工智能是目标，机器学习是一类方法，深度学习是机器学习中非常强大的一种技术路线。

3. 传统编程和深度学习有什么不同？

为了更直观地理解深度学习，我们可以把它和传统编程做一个对比。

传统编程通常是：

人总结规则 → 写成代码 → 电脑执行 → 得到结果

比如我们写一个简单规则：

如果成绩 >= 60，则通过；
否则，不通过。

这个过程里，规则是人写出来的。电脑只是按照规则执行。

但是深度学习不太一样。

深度学习通常是：

给模型大量数据 → 模型自己学习规律 → 输入新数据 → 输出预测结果

比如猫狗分类任务中，我们不需要人工告诉模型：

猫耳朵是什么形状；
狗鼻子是什么形状；
猫和狗的毛发纹理有什么区别。

我们只需要准备大量猫和狗的图片，并告诉模型每张图片的正确答案。经过训练之后，模型会自己学习哪些特征更像猫，哪些特征更像狗。

所以两者最大的区别是：

传统编程：规则由人总结
深度学习：规则由模型从数据中学习

4. 深度学习到底“学”的是什么？

很多人听到“学习”这个词，会觉得模型好像真的像人一样在思考。

其实不是。

模型所谓的“学习”，本质上是不断调整内部参数，让自己的预测结果越来越接近真实答案，这里的参数，可以先简单理解为模型内部的一堆“可调旋钮”。训练模型的过程，就是不断调整这些旋钮，让模型的输出越来越接近正确答案。。

我们还是用猫狗分类举例。

假设我们给模型一张猫的图片，模型第一次预测可能是：

猫：0.20
狗：0.70
其他：0.10

这说明模型觉得这张图更像狗。

但真实答案是猫，所以模型预测错了。

接下来，模型会根据这个错误调整自己的参数。经过很多次训练后，它可能会变成：

猫：0.86
狗：0.10
其他：0.04

这时候模型就更接近正确答案了。

所以深度学习的训练过程，可以简单理解为：

先预测
发现错误
调整参数
再预测
再调整
不断重复

最后，模型就会从大量数据中逐渐学到一些有用的规律。

5. 模型学到的“规律”长什么样？

这也是初学者很容易困惑的地方。

我们人类识别猫狗时，可能会说：

猫有胡须；
狗的鼻子比较明显；
猫的脸比较圆；
狗的体型变化更大。

但神经网络学到的东西不一定会用人类语言表达出来。

在图像任务中，神经网络的浅层可能学到的是：

边缘
颜色变化
纹理
线条方向
简单形状

更深层可能会慢慢组合出：

眼睛
耳朵
鼻子
脸部轮廓
身体结构
完整目标

所以可以把神经网络想象成一个逐层观察图片的系统：

第一层：看边缘和颜色
第二层：看纹理和局部形状
第三层：看眼睛、耳朵、鼻子等部件
更深层：判断这是不是猫、狗、车、人等目标

这也是为什么它叫“深度”学习。

这里的“深度”，主要指的是神经网络有很多层，每一层都在上一层的基础上继续提取更复杂的特征。

6. 为什么深度学习适合处理图片、语音和文本？

因为图片、语音和文本都有一个共同特点：它们很难完全靠人工规则写清楚。比如识别一张猫的图片，如果用传统规则来写，问题会非常复杂：

猫可能是黑色、白色、橘色；
可能正脸、侧脸、背影；
可能坐着、趴着、跳着；
图片可能清晰，也可能模糊；
背景可能是沙发、草地、街道。

如果所有情况都靠人工写规则，几乎不现实。但是深度学习可以通过大量样本自己学习规律。

语音识别也是类似的，不同人的声音、语速、口音都不一样。如果完全靠人工规则，很难覆盖所有情况。文本任务也是一样，一句话的意思往往和上下文有关，不能只靠几个关键词判断。

所以深度学习特别适合处理像图像识别、目标检测、语音识别、自然语言处理、机器翻译、医学影像分析、工业缺陷检测、自动驾驶感知等这些复杂任务：

7. 深度学习是不是只要数据越多越好？

数据很重要，但不是唯一因素，一个深度学习项目通常需要这几个部分：数据、模型、损失函数、优化器、训练策略、评价指标、计算资源。可以先不用理解每个词的细节，后面的文章会一步步拆开讲，今天你只需要先记住：

数据：给模型学习的样本
模型：负责从数据中找规律
损失函数：判断模型错得有多离谱
优化器：负责更新模型参数
评价指标：判断模型最终效果好不好

它们组合起来，就形成了一个完整的深度学习训练流程。

8. 总结

今天我们先不追求记住很多术语，只需要理解几个核心，写到这感觉写的像上课一样，但是今天这个博客确实是没有什么特别有用的知识，也就是先理解深度学习是什么，虽然大家可能已经看了无数遍类似的第一章的介绍，但是我还是要写，要不就不完整了：

1. 深度学习是机器学习中的一种重要方法。
2. 它的核心不是人工写规则，而是让模型从数据中学习规律。
3. 模型一开始并不聪明，需要通过大量样本不断调整参数。
4. 图像、语音、文本这类复杂任务，很适合用深度学习处理。

如果用一句话总结：深度学习就是让模型通过大量数据，自己学习从输入到输出之间的规律。

9. 这个专栏会怎么写

其实这是我第一次写教学类的博客，其实是因为闲着没事，不想做课题，也不想写论文，然后又想到我最开始学深度学习的时候，学的乱七八糟，想找一个有趣的教学也找不到，于是心血来潮想自己写一些，我计划用30篇左右的博客来讲清楚深度学习，至少让初学者能够入门并且看得懂代码，不至于连AI写的代码都看不懂，也不知道专栏起什么名字，就起了个《30天深度学习从入门到实战》，显得比较专业。当然我自己的知识储备也比较有限，希望看到的朋友不要太苛责，可以有问题就骂我，然后我就改，也可以说我写的烂，当然也可以说我拿AI写教学，因为我写的过程中确实会借助AI来帮我组织语言并且丰富细节，也希望通过写这个专栏来增加我的一些对深度学习更深度的理解。

这个系列不会一上来就堆复杂公式，而是按照下面的路线来：

先理解概念-->再看图解-->再写小代码-->再做小项目-->最后进入真实任务和项目复现

当然很多人也会这么写，但是我想的是能够尽量简单的把深度学习讲明白！