首先，要由人工智能之父圖靈說起。
圖靈曾經有個夢想卸載《計算機器與智能》（1950）一文中，如果有一天，計算機能夠做到，隔着牆，你根本分不清對面和你交流是一個人還是計算機，那麼這臺計算機就具有了人工智能。
接下來的半個世紀裏，人工智能並沒有很大的發展。計算機雖然具有強大的記憶力和數據處理能力，但卻沒有人類的認識能力。比如汪星人、喵星人都傻傻分不清楚。直到21世紀初，出現了Deep learning。
____________________________________________________________________________________________________________________________________________
這裏不得不提起一個人，塞繆爾（Samuel)，“機器學習之父”。
他設計了一段下棋程序，用4年的時間（1956）下贏了一個州的跳棋冠軍，機器學習的時代得以開啓。
流程爲輸入--->特徵表達--->機器學習。特徵表達這部分都是靠人工完成，費力不討好。
懶人們就在想，計算機能不能自動學習一些特徵，答案是能！Deep Learning.
____________________________________________________________________________________________________________________________________________
Deep Learning來源於一對諾貝爾獎獲得者的成就，他們的發現是“人是怎麼看懂這個世界的”。
原始信號攝入瞳孔攝入像素（pixel）--->初步處理大腦皮層某些細胞，發現邊緣和方向（edges）--->抽象大腦判定眼前物體的形狀（object parts）--->進一步抽象進一步判斷該物體（object model）
也就是說，人腦對於信息的處理是分層的，深度學習的思想便是，堆疊多個層，使這一層的輸出作爲下一層的輸入，通過這種方式，可以實現對輸入信息進行分級表達。
___________________________________________________________________________________________________________________________
下面就是Deep learning的開山祖師爺Hinton
2006年，在Science上發表一篇論文開啓了深度學習和學術界的浪潮。論文觀點主要有2個;
（1）多隱層的人工神經網絡具有優異的特徵學習能力，學習得到的特徵對數據有更本質的刻畫；
（2）深度神經網絡在訓練上的難度，可以通過“逐層初始化”來克服
也就是說
（1）強調模型結構的深度，通常是5層、6層、甚至10多層的隱層節點
（2）通過逐層特徵變換，將樣本在元空間的特徵表示變換到一個新的特徵空間，從而使分類或預測更加容易。