#8212;深度学习 1. 技术背景 深度学习（deep learning）作为机器学习算法中的一个新兴技术，其动机在于建立，模拟人脑进行分析学习的神经网络。

深度学习的本质是对观察数据进行分层特征表示，实现将低级特征进一步抽象成高级特征表示，而这一切都是通过神经网络来执行的。

深度学习主要借助了神经网络技术，神经网络的最基本单元是神经元。

而神经网络的研究开始比较早，早期的感知器模型是最早的神经网络雏形，也称为单层神经网络（无隐藏层）。

然而感知器只能做最简单的线性分类任务，甚至无法解决简单的异或问题。

但是当网络增加一个计算层之后，不仅可以解决异或问题，而且具有非常好的非线性分类效果。

1986年，Rumelhar和Hinton等人提出了反向传播（Back Propagation，BP）算法，解决了两层神经网络所需要的复杂计算量问题，从而带动了业界使用两层神经网络研究的热潮。

与单层神经网络不同。

理论证明，两层神经网络可以无限逼近任意连续函数。

也就是说，面对复杂的非线性分类任务，两层（带一个隐藏层）神经网络可以分类的很好。