一、深度学习神经网络为何火爆
深度学习和机器学习一个重要区别就是前者不需要做特征工程
例如，我们预测一个女明星会不会火， 以y来表示（y为0或者1），如果用机器学习我们需要做的特征工程是，用x来拟合。那么，比如x1是年龄，x2是颜值，x3是家庭背景，x4是毕业院校，x5是有没有后台。
深度学习的话，我们不需要人为做x1,x2....x5. 我们只要把输入数据扔进去（可能做一些预处理），神经网络会自己找到特征。
比如我们扔进去的就是这个明星的所有搜索结果文本。可能经过简单的文本处理之后输入，经过深度学习的神经网络，就能预测出来结果。
那么问题来了。
1.为什么深度学习这么聪明可以自己学习特征呢
2.更神奇的是，为什么很多问题上，深度学习学到的结果更靠谱呢
对于第一个问题，让我们想想《信号系统特征与处理》这门课，没学过不要紧，想想中学物理课的电学实验部分，不是有滤波器吗。我们在做特征的时候，是不是在做信号处理。比如我们去搜明星的年龄，性别是个筛选。颜值啥的，可能会做个分类聚类，然后正则化到一个1-10的分值打个分。这些都是信号处理（输入一个东西，经过一个变换以后，输出另外一个东西。哪个变换就是一个函数嘛）
也就是说，在我们用机器学习做特征的时候，我们是对原始信息，根据我们的主观经验进行了一些信号处理（函数变换）。这种处理可能靠谱，也可能不靠谱。
而神经网络，在它的每一层，其实就是自己在做特征。
之所以能学习特征是因为，每经过一层神经网络，更能减少cost function的处理方法会更受青睐，而在这一层中增加cost function效果不好的处理方法我们就远离它（但是没有完全扔掉它哦，因为可能它会在下一层有用呢）
形象的来说，机器学习是手工作坊作业，手工艺人做个花篮子，从选材料到成品都是自己在做。而深度学习神经网络是工厂流水线作业，第一个车间的人干粗活，做的特征比较粗糙，然后把结果扔给第二个车间的，第二个车间工人们做的活要精细一些，越到后面的车间工人的手艺越精细。
另外一个区别就是，手工作业的机器学习靠直觉做特征，主观性比较强。车间作业的深度学习，它每个车间都有一个类似刻度表的东西，告诉你哪个指标超了，哪个不够，工人们看着超了的话就减少一些，不够的话就➕一些
但是神经网络做特征的方法，不是先入为主的认为，什么年龄性别就是决定性要素了，它是一层层学习出来的，它学习到的特征是有层次的，由抽象到具体。
对于第二个问题，神经网络之所以如此智能应该是因为。
1.神经网络的”自动特征工程“效率更高
神经网络会自己去发现特征。他的发现过程是比较客观的。像之前所说的，他不会先入为主的认为，什么年龄性别就是决定性要素了，它是一层层学习出来的。
2. 神经网络的特征发现更客观
机器学习人为做特征工程的时候，其实人为的筛掉了一些信息。比如，可能你关注了这个明星的年龄体重颜值之类的，学习出来的效果并不好。因为人们根本没有抓到真正的影响因素，比如其实明星红不红取决于，她是不是王思聪前女友，以及经纪公司是哪家。这些如果是决定因素，你没有想到，那就可能捕捉不到真正的结果。相当于人在做特征工程的时候，过滤掉了这些关键信息。
而深度学习，因为没有做特征工程，一开始进去的是所有的raw data, 虽然不能说一开始就学习到"是不是王思聪前女友，以及经纪公司是哪家“这几个特征， 但是源数据的文本其实比较粗糙的蕴含着这样的信息，虽然第一层抽取不出来这样的特征，但是给定合适量的”神经网络工人“ ，足够的”神经网络车间“流水化处理，能得到很好的结果也不难理解。
3.深度学习神经网络不需要人造函数
机器学习里面比较复杂的模型SVM（支持向量机）在2011年博主本科做项目的时候火到不行，当时Andrew Ng拿这个做为斯坦福机器学习课程的压轴戏。
这算法完整讲清楚，A4纸不要四页也得三页了，剧情此起彼伏像个小电视剧。但是最困惑的就是你怎么去找核函数，核函数也可以叫基函数。我们知道线性代数里面有空间向量的基，基函数就是把这里的向量换成函数。通过一个变换就可以把非线性函数降维成线性了。那么当时最迷茫的就是，你怎么去找这个基函数啊！
传统机器学习还有一个问题就是，如果问题比较非线性的话，看起来就是你的黑魔法（我是说你的模型）越复杂，好像就越牛逼了，比如复杂的SVM不是可以拟合非线性挺好的么。那更复杂的问题岂不是依赖更复杂的模型，那么发现这个模型（我也叫他函数）的人是谁？ 还是人啊。
所以，特征是人找的，函数模型也是人造的，所以机器学习机器学习你到底学习了啥。。。只不过是在学习权重而已。如果没有出现爱因斯坦一样的神人，岂不是某个犄角旮旯里的神奇模型永远都找不到。所以这个是不是该叫，人工学习？？？
深度学习神经网络可以拟合很多很多的函数模型，这样发现函数模型的工作也由机器来做了。
综上所述，深度学习可以自己发现特征，自己发现函数。他对特征和函数的搜索范围更广，评价标准更客观，所以效率更高。
比较巧妙的是，本来特征工程和模型选择是不同的步骤，在深度学习中，这些放到一起来自动发现，就是所谓的端到端。为什么能放到一起来做呢？ 个人认为是因为，不论是特征选择还是模型选择，都是一种信号处理，本质上是一样的。
二、量子计算机
最近有小学妹问博主，为什么量子计算机有希望解决深度学习面临的算力问题。
这一开始要说到，摩尔定律。说好的╮(╯_╰)╭每十八个月翻倍。
现在晶体管已经非常非常小，小到进入了量子力学的范畴了。
于是就会发生神奇的事情。
大家知道二进制，一个位置不是0就是1。到了量子力学范畴，是1的可以是0，是0的可以是1。
可以想象以前的比特，是一张张的纸，上面写了0和1。 而量子比特（Qbyte）每个位置上都是在投掷硬币，正面是1反面是0
比如你有两个比特。传统计算机存储着10 这个数字，代表的是十进制的2
而两个量子比特， 你可以存储 11，10，01，00 这四个数字。
n个量子比特，就可以存储2的n次方
到了运算的时候，比如我们还是用两个比特来存数字。传统计算机存着10这个数字，所以对它实施一次操作，只能变换一个数据，运算某个函数，必须连续实施多次操作。这些操作是在不同的“两个比特”位置之间进行的。
那么问题来了。对于量子计算机，我们在我们模拟的“两个比特”中存储了四个数字。“n个比特”中存储了2的n次方个数字。
那么你有n个愤怒的硬币，不断的在变化，假如你要算二进制的 11 和10，你怎么就能让操作调皮的量子，取出来的是11和10， 而不是00和01
就好像你在抛掷很多个骰子，数字123我们算“小”（也就是0）,数字456是“大”（相当于1）。那么你想取11就是11，想取10就是10，那岂不是想要大就大，想要小就小了。那么总得有一个控制随机性，出老千的方法吧。
个人认为，这就是量子计算机的瓶颈吧
