这是一篇单纯的推送，今天我们单纯来聊一聊深度学习这个名字。
深度学习的复苏，可以从2012算起，那一年，深度学习网络AlexNet横空出世，在ImageNet竞赛中取得了冠军，到了2016年，Alpha Go的胜利将深度学习推到了我们每一个人的面前。
但是，今天脍炙人口的深度学习，其实，从学习方式上来说，和存在了几十年的神经网络并没有什么区别。
所以，到底为什么神经网络突然就变成了深度学习?
well，用吴恩达的话来说，深度学习是神经网络的一种re-branding，这个名字，至少听上去，很有……深度……
wow, deep learning, it sounds so deep……
那么，深度学习的本质变了吗?
没有，变的只是数据量和计算力。
Like it or not, 目前在复杂的任务中达到人类水平的学习算法，与上世纪80年代努力解决玩具问题(toy example)的学习算法几乎是一样的。
这可不是我瞎掰，这是AI圣经花书里的原话。
AI圣经 —— “花书”
真正变革的，是我们有了这些算法得以成功训练所需的资源 —— 数据量和计算力。
然而，深度就一定那么好?
不一定。
这个问题可以从两方面来看，第一，一味的增加网络的深度是不好的。太深的网络不好训练!太深的网络不好训练!太深的网络不好训练!
第二，一定要追究起来，其实网络的深度和宽度都是好的，这个道理非常简单，一个机器学习模型，模型的复杂度越高，(理论上)模型的学习能力就越强。这就好比说，使用更多的变量，你就能表达出更复杂的公式。从这个角度出发，一个神经网络无论是变的更深了，还是更宽了，模型的复杂度都是提升了。
这是很自然的一种想法，所以在深度学习的发展过程中，也出现了这样两种风格的经典网络。
一种看上去很深，比如网络层数达到了152层的ResNet：
看上去很深的ResNet
还有一种看上去很胖(很宽)，比如使用了Inception模块的Inception网络家族。
变宽了的Inception模块
这都是好用的网络结构，甚至还有结合了两者之大成的网络：Inception-ResNet。
这样一种听上去就很复杂的网络的结构确实……也很庞大，这里就不放出来了。
当然，这样一种深度和宽度的拓展，所要用到的计算资源也是杠杠的。
而在资源有限的情况下，深度比宽度更好，这就涉及到了直击深度的灵魂问题 ——
深度到底是在做什么
学习!一种随着网络层的深入而进行的学习。这种学习有个专业术语叫做特征学习，或者表示学习。
《深度学习》一书中关于网络学习的例子
一个深度学习网络有很多层，当我们将一张图像送进网络，首先在最底层，好像我们看到的是像素一类的东西，一层层往上，网络层“看到了”边缘、轮廓、部件等等，网络的深度，带来的是逐层抽象的能力，所以有了深度的网络有了学习的能力，和宽度所带来的比较单纯的计算力的上升，深度当然是更符合学习型模型的结构。
当然这只是一个示意，实际情况下神经网络的分层是比较模糊的，而中间网络层的输出还是相对比较抽象的概念，很难说清楚哪一些网络层就”看到了“什么特征。但是总体上当我们逐渐往上的时候，网络确实是不断在对对象进行抽象。而这是宽度所不能够带来的能力。所以，我们有深度学习，而不是宽度学习。
要说在一开始，深度学习或许只是一个好听的名字，但是到了今天，我们所用到的和看到的网络确实越来越深了。2012年令人瞩目的AlexNet不过8层，而到了 2015 年，残差的方式使训练一个很深的神经网络成为现实，Resnet的网络深度直接到达了152层，到了 2016 年，ImageNet竞赛的冠军已经用上了 1207层的网络了。
深度学习，真是深得叫你心服口服。
