深度学习的基础操作是用这个分数作为返回的信息来调整一点权重的值，这个过程以降低当前样例的失分为指导。这个调整的过程就是优化，它执行了反向传播算法（深度学习的核心算法）。下一个章节将会更多的讲到反向传播算法如何运作的。
一开始，网络的权重先赋予一些随机的值，所以这个网络可以一点点进行一系列随机的转换。一般来讲，它的输出与它在构想中的情况差的非常远，而损失的分数因此也非常大。但是随着每个例子的在网络中运行，权重一点点向正确方向调整，然后损失分数也随之下降。这就是循环训练，它在重复了足够多次数之后（一般要几十次地覆盖成千上万个例子），产生了权重值来达到最小化丢分方程。一个有着最小化丢分的网络是所有接近目标的输出中的其中一个：一个经过训练的网络。在来一次，这是一个简单的方法，一旦封装，它最终看起来就像是魔法一样。
1.1.6 到目前为止，深度学习达到了什么？
虽然深度学习是一个机器学习中一个相当古老的分支，但是它仅仅在2010年变得突出。在过去的时间，它没实现任何这一领域的革命，如在知觉领域（像听觉和视觉）便是个代表性情况，这些问题涉及人类自然与知觉上的方面，但是在很长一段时间对于机器来说都很难以琢磨。
特别是深度学习达到的接下来的一些突破，都是历史上对机器学习来说难以达到的领域：
近人类级图像分类
近人类级语言识别
近人类级手写转录
扫描二维码关注公众号，回复：
5834707 查看本文章
进一步提升的机器翻译