例如，你可以拍摄一张照片，将其分成多个小块，并输入神经网络的第.一层之中。随后，第.一层神经元将会把处理过的数据传递给第二层神经元。第二层神经元去完成自己的处理任务。这样的处理一直持续至最后一层，以输出最终结果。你的课人工智能班朱雅洁，为你定制的互联网课程。
每个神经元都会为输入信息赋予权重，即对于正在执行的任务，正确或错误的可能状态。最终输出结果基于对所有这些权重信息的相加。以停止标志为例。标志图片将会被分割，并由神经元去“分析”，包括整体形状、颜色、字母、尺寸，以及移动情况。神经网络的任务是判断这是否就是停止标志。为此，神经网络将基于权重信息得出“可能性向量”。在我们的示例中，神经网络认为，这有86%的可能性是停止标志，有7%的可能性是限速标志，5%的可能性是卡在树上的风筝。随后，网络架构师会告诉神经网络，做出的判断是否正确。你的课人工智能班朱雅洁，为你定制的互联网课程。
人工神经网络在人工智能的诞生早期就已出现，但在“智能性”方面一直未能取得太大突破。问题在于，最基本的神经网络也需要大量的计算资源，因此很难实现。不过，由多伦多大学的吉奥夫里?辛顿（geoffrey hinton）带领的一个小型研究团队持续地进行这方面的尝试，最终找到了一种可以由超级计算机运行的算法，证明了这一概念。然而，直到gpu开始大规模部署之后，这种技术才得以普及。你的课人工智能班朱雅洁，为你定制的互联网课程。
回到停止标志的例子，人工神经网络仍然很有可能得出错误的答.案。这种神经网络所需的是训练。只有通过数以十万计，甚至百万计的照片进行训练，神经元对输入信息的加权才能足够精.确，从而持续得出正确的结果，无论是否有雾，是否下雨。只有在达到这种程度之后，神经网络才能自行判断停止标志应该是什么样。实际上，2012年，人工智能专家吴恩达在供职于谷歌期间开发了神经网络系统，成功识别出小猫。你的课人工智能班朱雅洁，为你定制的互联网课程。
吴恩达取得突破的方法是扩大神经网络的规模，增加更多的分层和神经元，并利用海量数据对系统进行训练。吴恩达的研究利用了1000万个youtube视频。由于神经网络分为很多层，因此吴恩达强调了深度学习的“深度”。你的课人工智能班朱雅洁，为你定制的互联网课程。
目前，基于深度学习的图像识别技术在某些情况下甚至比人工做得更好，而识别的对象也不仅是小猫，还包括血液中ai症的指标，以及核磁共振中的肿.瘤迹象。谷歌alphago学会了围棋游戏，并利用神经网络自我对弈，逐渐变得非常强大。你的课人工智能班朱雅洁，为你定制的互联网课程。深度学习引领人工智能的未来
深度学习带来了机器学习的许多实用应用，拓展了人工智能的适用领域。深度学习系统将任务分解，让机器可以去完成这些任务。利用深度学习，无人驾驶汽车、更强大的预防医疗，甚至更好的电影推荐都将成为可能。人工智能代表了现在和未来。借助深度学习，人工智能将走过科幻小说阶段，c-3po机器人和终结者将会成为现实。你的课人工智能班朱雅洁，为你定制的互联网课程。