首先，要由人工智能之父图灵说起。
图灵曾经有个梦想卸载《计算机器与智能》（1950）一文中，如果有一天，计算机能够做到，隔着墙，你根本分不清对面和你交流是一个人还是计算机，那么这台计算机就具有了人工智能。
接下来的半个世纪里，人工智能并没有很大的发展。计算机虽然具有强大的记忆力和数据处理能力，但却没有人类的认识能力。比如汪星人、喵星人都傻傻分不清楚。直到21世纪初，出现了Deep learning。
____________________________________________________________________________________________________________________________________________
这里不得不提起一个人，塞缪尔（Samuel)，“机器学习之父”。
他设计了一段下棋程序，用4年的时间（1956）下赢了一个州的跳棋冠军，机器学习的时代得以开启。
流程为输入--->特征表达--->机器学习。特征表达这部分都是靠人工完成，费力不讨好。
懒人们就在想，计算机能不能自动学习一些特征，答案是能！Deep Learning.
____________________________________________________________________________________________________________________________________________
Deep Learning来源于一对诺贝尔奖获得者的成就，他们的发现是“人是怎么看懂这个世界的”。
原始信号摄入瞳孔摄入像素（pixel）--->初步处理大脑皮层某些细胞，发现边缘和方向（edges）--->抽象大脑判定眼前物体的形状（object parts）--->进一步抽象进一步判断该物体（object model）
也就是说，人脑对于信息的处理是分层的，深度学习的思想便是，堆叠多个层，使这一层的输出作为下一层的输入，通过这种方式，可以实现对输入信息进行分级表达。
___________________________________________________________________________________________________________________________
下面就是Deep learning的开山祖师爷Hinton
2006年，在Science上发表一篇论文开启了深度学习和学术界的浪潮。论文观点主要有2个;
（1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画；
（2）深度神经网络在训练上的难度，可以通过“逐层初始化”来克服
也就是说
（1）强调模型结构的深度，通常是5层、6层、甚至10多层的隐层节点
（2）通过逐层特征变换，将样本在元空间的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。