深度学习概述
1.深度学习定义
深度学习（Deep learning）起源于人工神经网络，它的定义：通过组合低层特征形成更加抽象的高层特征或类别，从而从大量的输入数据中学习有效特征表示，并把这些特征用于分类、回归和信息检索的一种技术。
何谓为深度：网络学习得到的函数中，非线性运算组合水平的数量。
2深度学习与浅层学习的优势：
（1）具有多层非线性映射的深层结构，可以实现复杂函数逼近。
（2）可以通过非监督预训练实现分布式表示，多层映射提取输入的主要结构信息；而单层计算能力有限，则难以实现。
（3）它是对人类大脑皮层的最好模拟。
3.深度学习网络结构主要分为2大类：
第一类是区分型深度网络结构，这类型的深度网络采用有监督的训练，获得给定目标样本下输入的分布情况，经过有监督的训练以实现区分输入类型的目的。典型的网络结构深度神经网络DNN(例如：多层感知器)和卷积网络（CNN）。
第二类是生成型深度网络结构，这类深度网络采用无监督预训练提取数据的高阶相关特性，而无监督预训练的过程可以看作是一个生成模型的过程。典型的网络结构是深度信念网络（DNN）和堆叠自动编码器（SAE）。
还有一些以上两类的混合类：卷积网络和自动编码器结合成卷积自动编码器，限制玻尔兹曼机和卷积网络结合构成卷积深度信念网络。