深度学习入门介绍
深度学习是一种从训练数据出发，经过一个端到端(end-to-end)的模型，然后直接输出得到最终结果的一种新模式。
一般的机器学习处理流程如下：
传感器获得数据——>预处理——>特征提取——>特征选择——>推理,预测或识别。
预处理——>特征提取——>特征选择，概况起来就是特征表达，良好的特征表达，对最终算法的准确性起了非常关键的作用。
特征表达一般都是人工完成的，靠人工提取特征。
好的特征应具有不变性(大小，尺度和旋转等)和可区分性。
手工选取特征是一件非常费力，启发式(需要专业知识)的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。
DeepLearning(unsupervised feature learning不需要人参与的特征选取) 就是自动学习特征的。
总的来说，人的视觉系统的信息处理是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标，目标的行为等。
也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表示语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越有利于分类。
特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。如果数据被很好的表达成了特征，通常线性模型就能达到满意的精度。
特征的粒度,复杂图形往往由一些基本结构组成。一个图可以通过64种正交的edges来线性表示。有20种基本的声音结构，其余的声音可以由这20种基本结构合成。
V1看像素是像素级，V2看V1是像素级，这个是层次递进的，高级层次表达由底层表达的组合而成。专业点说就是基basis.
V1提取的basis是边缘，然后V2是V1层这些basis的组合，这时候V2区得到的又是高一层的basis.即上一层basis组合的结果。上上层又是上一层的组合basis.
直观上说，就是找到make sense的小patch再将其进行combine,就得到了上一层的feature,递归向上learning feature.
DeepLearning需要多层来获得更抽象的特征表达。
深度学习算法之自动编码器
自动编码器，还不能用来分类数据，它只是学会了如何去重构或者复现它的输入而已，它还没有学习如何去连接一个输入和一个类。或者它只是学习获得了一个可以良好代表输入的特征，这个特征可以最大程度上代表原输入信号。
那么，为了实现分类，我们就可以在自动编码器的最顶的编码层添加一个分类器，然后通过标准的多层神经网络的监督训练方法去训练。
这时候，我们需要将最后层的特征code输入到最后的分类器，通过有标签样本，通过监督学习进行微调。这也分两种:
一种是只调整分类器；
另一种是通过有标签样本，微调整个系统:(如果有足够多的数据，这个是最好的，end-to-end learning端对端学习).
一旦监督训练完成，这个网络就可以用来分类了。
深度学习是关于自动学习要建模的数据的潜在(隐含)分布的多层(复杂)表达的算法。深度学习算法自动的提取分类需要的低层次或高层次特征。
高层次特征，一是指该特征可以分级(层次)地依赖其他特征，例如，对于机器视觉，深度学习算法从原始图像去学习得到它的一个低层次表达，例如边缘检测器，小波滤波器等，然后再这些低层次表达的基础上再建立表达，例如这些低层次表达的线性或非线性组合，然后重复这个过程，最后得到一个高层次表达。
此外，从模式识别特征和分类器的角度，deep learning框架将feature和分类器结合到一个框架中，用数据去学习feature,在使用中减少了手工设计feature的巨大工作量(这是目前工业界工程师付出努力最多的方面)。因此，不仅效果可以更好，而且，使用起来也有很多方便之处。
以上内容来自https://www.leiphone.com/news/201608/7lwVZCXnScbQb6cJ.html
自己总结一下：
深度学习框架可大致分为两个部分：
一，获取原始数据的特征表达；
二，将原始数据的特征表达作为输入，传给分类器，做分类，预测或识别；
什么是原始数据的特征表达？
原始数据本质特征的分布式表示，与原始数据等价的另一种更高阶，更抽象的表示，这种表示更易于被分类器处理。
深度学习算法就是通过逐层提取原始数据的特征，组合底层特征得到高层特征，最终得到原始数据的特征表达。也就是特征学习的过程。
高层特征由底层特征组合而来，越高层的特征越抽象，语义越具体，越易于分类。深度模型(自动编码器，波兹曼机，卷积神经网络等)是得到数据特征表达的工具。
可以这样理解，原始数据集放入深度模型训练完成后，得到的是可以反映原始数据集本质特征的一个函数，与原始数据集类似的数据都可以通过这个函数来表示。
什么是分类器?