入学测验
想要学习深度学习的工作原理，你需要先通过一个入学测试才行：
你了解监督学习吗？
监督学习应用了包含输入和期望输出的标记数据集。用监督学习训练 AI 时，我们需要给它输入并告诉它期望输出值。当 AI 输出有误时，它将重新调整计算。这个过程在数据集中反复进行，直到 AI 不再犯错。
你了解无监督学习吗？
用无监督学习训练数据时，你要让 AI 对数据进行分类。
比如用 AI 预测网店的销量，没有标记了输入和输出的数据集供它使用，它将创造自己的输入数据分类，告诉你哪种类型的用户更可能购买哪些不同的产品。
深度学习的工作原理
其实深度学习是机器学习里的一个分支，让我们在给定输入上训练 AI 预测输出，同时训练 AI 需要会用到监督学习和无监督学习。
在这篇文章中，我们通过构建一个机票价格预测工具了解机器学习的原理，之后用监督学习的方法训练它。
为了对新手友好，我们排除了往返机票等复杂情况，仅用以下四种输入：出发机场；到达机场；出发日期；航线名；
神经网络
神经网络好比 AI 的大脑。
与动物类似，这个 AI 机票价格预测工具的大脑也有神经元。下图中的圆圈就代表神经元，它们是互相连接的。
这些神经元被分为三种不同类型的层：输入层（input layer）；隐藏层（hidden layer）；输出层（output layer）；
输入层负责接收输入数据。在这个预测工具中，输入层主要包含四个神经元，分别为起始机场、到达机场、出发日期和航线名。接收到这些信息后，它将输入数据传递到第一个隐藏层。
隐藏层负责对输入数据进行数学运算。如何决定隐藏层的数量、以及每层神经元的数量仍是构建神经网络的挑战。
输出层返回输出数据。在本例中，它会给出预测的机票价格。
所以，这个工具到底是怎样计算机票价格的呢？答案是深度学习。
每个神经元间靠权重（ weight ）连接，它决定了输入值的重要性。初始权重是随机设置的。在预测机票价格时，出发日期是对价格影响较大的因素。所以，出发日期神经元连接的权重会比较大。
每个神经元都有一个激活函数。不过，因为这篇文章是新手友好向，我们不讲解相关的数学推理。
简单来说，激活函数的目的是将神经元的输出“标准化”。一旦一组输入数据传递到了神经元的所有层，它将会通过输出层再将输出数据返回。
训练神经网络
走到训练这一步，你又要开始新挑战了，训练难就难在你不仅没有大数据集，而且还很难满足所需的强大计算能力。
想做机票价格预测工具，我们必须找到票价信息的历史数据。由于机场和出发日期的组合有很多种可能，因此这个票价列表信息也非常庞大。
为了训练 AI ，我们需要给它提供来自数据集的输入，并将 AI 的输出和数据集中的真实输出做对比。因为还没有经过训练，所以 AI 的输出还是错误的。
一旦将整个数据集中所有数据输入完成，我们就可以创建一个代价函数，它能显示 AI 的输出与实际输出的差异。
理想情况下，我们希望代价函数是 0 ，此时 AI 的输出就等于真实输出。
怎样降低代价函数？
还记得上面章节中提到的权重吗？在减少代价函数的操作中，权重起着至关重要的作用。改变神经元间的权重可以调整代价函数，我们可以随机改变它们直到代价函数接近 0 ，但这种方法很低效。
在这种情况下，梯度下降（ Gradient Descent ）闪亮登场。梯度下降是一种寻找函数最小值的方法，寻找机票价格模型中的代价函数最小值也得用它。
梯度下降的工作原理是在数据集的每次迭代后，以很小的增量改变权重。通过计算确定权重代价函数的导数 (或梯度)，我们可以看到最小值的方向。
为了使代价函数最小，我们需要用强大的计算力多次循环访问数据集。
深度学习的魔力就在于，使用梯度下降法更新权重是自动完成的。就这样，我们的机票价格预测小工具就完成了。
想了解更多？
这篇文章只是入门深度学习的第一步，入坑深度学习任重而道远，还有许多其他类型的神经网络需要你了解，比如计算机视觉的卷积神经网络和自然语言处理的递归神经网络等。
如果你想了解深度学习的应用技术，建议你选择一门在线课程。我觉得 Andrew Ng 的 Deeplearning.ai 课程不错。
总结深度学习需要神经网络模仿动物的智力。一个神经网络中有三种神经元层，即输入层、隐藏层和输出层。
- 神经元之间的连接与权重有关，它决定了输入值的重要性。将激活函数应用到数据中，可以使神经元的输出标准化。为了训练神经网络，你需要一个大数据集。迭代数据集和对比输出将产生一个代价函数，显示 AI的输出与真实输出之间的差异。数据集的每一次迭代后，神经元之间的权重会通过梯度下降的方式，降低代价函数的值。
