深层神经网络
简称为深度学习有两个非常重要的特性
1. 多层
2. 非线性
线性模型的局限性 :例如前面的神经网络有两层(不算输入层)，但是它和单层的神经网络井没有区别,任意线性模型的组合仍然还是线性模型,然而线性模型能够解决的问题是有限的
下面用TensorFlow Playground来演示 线性模型的局限性
还是以判断零件是否合格为例，输入为 X1 和巧，其中 X1 代表一个零件质量和平均质量 的差， X2代表一个零件长度和平均长度的差。 假设一个零件的质量及长度离平均质量及长度越近，那么这个零件越有可能合格
蓝色的点代表合格的零件，而黄色的点代表不合格的零件。可以看到虽然蓝色和黄色的点有一些重合，但是大部分代表合格零件的蓝色点都在原点(0,0)的附近，而代表不合格零件的黄色点都在离原点相对远的地方。 这样的分布比较接近真实问题，因为大部分真实的问题都存在大致的趋势，但是很难甚至无法完全正确地区分不同的类别,下面我们用线性模型尝试着去解决这个问题
顶部 (Activation) 选择线性(Linear)
这和前面设定的神经网络结构是基本一致的,通过模型训练100+轮候,在最右边可以看到训练结果
从左到右有隐约有数条分界线,说明这个模型只能用直线来划分平面,对于这种环形的分布是不适用的 (属于线性不可分问题)
而把数据切换成Gaussian高斯分布
在线性可分问题中，线性模型就能很好区分不同颜色的点。而在更复杂的问题中，往往是无法通过直线（或者高维空间的平面）划分的, 现实世界中，绝大部分的问题都是无法线性分割的。
回到判断零件是否合格的问题， 如果将激活函数换成非线性的,比如ReLU激活函数,神经网络模型就可以很好的区分不同颜色的点(零件)了
