深度学习的基本思想
在原始的数据中，往往存在一些没用的、冗余的信息，它们在模型的训练中起到很小的作用，却占用大多的训练时间，甚至还会使得模型学习到一些不想干的特征，从而会影响到模型的性能。因此，我们需要从原始数据中选择出一些比较好的，对预测结果影响大的特征。
例如，在波士顿房价数据集中，一氧化氮的浓度、每栋住宅的平均房间数、低收入人口的比例对房价有着更加直接的影响。
仅选择这三个特征来预测房价，就可以得到一个比较好的结果。而其他的因素对房价的影响并不大，要注意的是，即使对于同样的数据，实现不同的任务，对于好的特征的选择也是不同的。
例如，
推选学习标兵，
就是重要的特征，其他特征则不是很重要。
选美活动，
就是重要的特征，其他特征则不是很重要。
原始的数据通常描述的是低级别的特征，有时候为了得到好的预测结果，我们需要从中抽象出更高层次的特征，然后把这样的经过加工的特征送入机器学习算法中去训练模型，在机器学习中，特征的选择和设计非常重要。如果使用好的特征，那么即使使用比较简单的模型，也能够得到优秀的结果。
在传统的机器学习中，首先通过特征工程来选择并设计出最适合当前任务的特征，然后把它们送入学习器，
进行分类或者回归。
特征工程对机器学习的效果起到非常关键的作用，会极大的影响结果的优劣，甚至决定整个任务的成败。
因此，特征工程往往是整个项目中的关键。需要花费大量的工作。
有人说，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
传统的特征工程依靠人工方式提取和设计特征，需要大量的专业知识和经验。特征的好坏在很大程度上依靠经验和运气，而且和具体的任务密切相关。
对于特定的任务，需要通过大量的工作，设计出适合该任务的特征，因此，特征的计算、调整、测试都需要大量的时间。
既然这种人工选取特征的方式十分费事费力，那么能否让机器自动的学习特征呢？
下图是我们在之前实现的鸢尾花分类的神经网络 ，
通过隐含层，将输入的四维数据转化为一个16维的数据，并通过 Relu 函数提取特征，然后在输出层，通过 Softmax 函数进行分类，其实，在全连接神经网络中，隐含层的作用就是提取特征。每经过一层隐含层，都可以看做是一次特征转换。因此，神经网络的隐含层也被称为特征层。
深度神经网络就是有着多层隐含层的神经网络。这些隐含层不断的对输入的低层特征进行组合，形成更加抽象的高层特征，最后使用一个 Softmax 分类器进行分类。
其实，神经网络可以看做是一种自动提取特征的方法。模型参数的初始值是随机选取的，因此，一开始提取出的特征肯定是非常不靠谱的。但是，在每次训练之后，都会逐层反向传递误差，自动调整神经网络中的模型参数。
这样，经过多轮训练之后，提取出的特征就越来越好了。可以正确的完成分类。
使用神经网络，特征工程就没有那么重要了，只需要对原始数据做一些必要的预处理之后，把它们直接喂入神经网络中，通过训练，自动的调整权值，使得预测的结果符合预期的要求。这种方式称为 端到端学习。
在一个训练好的神经网络模型中，低层隐含层的输出是更接近原始输入数据的低层特征，随着层数的增加，提取出的特征越来越抽象，表达能力也就越好。因此，神经网络中隐含层层数越多，效果也就越好，这种具有多个隐含层的深层神经网络，就是深度学习。
深度学习能够自动的从数据中学习到与任务相关的特征，从而避免了手工设计特征这项费事费力的繁琐低效的工作。但是，通过网络自动提取出的特征缺乏可解释性，不像手工设计的特征有明确的意义。
有人说，深度学习使得人工智能真正的落地，因为之前的人工智能在很多情况下，用不起来。人工设计的智能还是比较难于超越人类，而深度学习则把这一过程（人工智能）变成了数据驱动的过程，
目前落地的大部分人工智能产品大部分都是基于深度学习做出来的。例如，语音识别、计算机视觉等。