深度学习是什么？多层神经网络怎样学会识别复杂模式
解释深度学习的多层结构，用图片识别说明训练与使用的差别，并讨论数据偏差和过拟合，帮助判断任务是否需要更复杂的模型。
先理解这个概念
深度学习是使用多层神经网络学习数据中规律的方法。各层把输入逐步转换为适合任务的表示，训练时调整模型参数，使预测更接近目标。它属于机器学习，但机器学习并不都使用深层网络。能识别训练照片不代表能识别新环境里的照片，判断效果需要使用没有参加训练的样本，并检查常见错误。
多层结构让模型学习非线性关系
简单的线性模型把输入按权重组合，表达复杂关系时往往需要另外设计特征。深层网络在层与层之间加入非线性变换，训练中学习适合任务的表示。这里的深主要指层级结构，不能理解为模型已经有更深刻的人类理解。
模型层数只是结构的一部分。网络较深也可能训练不好，或者只记住训练中的偶然线索。比较两个识别模型时，还要确认它们使用的数据和检查任务是否相同，不能只根据层数给出优劣结论。
图片识别的例子要检查背景线索
假设用仓库照片训练一个识别纸箱损伤的模型。如果损坏纸箱大多放在红色地垫上，模型可能把地垫当成判断依据。换到普通地面后失效，问题不一定来自网络不够深，更可能是样本把背景和标签错误地绑在一起。
可以把同一个完好纸箱换到不同背景拍照，并加入角度变化，再核对预测是否稳定。这是检查设计，不是本站已取得的测试成绩。人工先确认样本标签，才有条件判断模型究竟错认了损伤，还是原始标注就有问题。
用未见样本决定是否值得继续训练
训练集上的错误越来越少，独立测试集却没有改善，是需要检查过拟合的信号。测试照片应按实际来源分开，避免同一张照片的裁剪版同时进入训练和测试；否则看似优秀的成绩可能来自重复样本。
对于已经能用清楚规则完成的简单任务，可以先保留规则或较小模型作为参照。只有新模型在真实变化条件下减少了关键错误，增加训练资源才有依据。部署以后输入照片变了，也需要重新检查，初次验收不能覆盖以后所有环境。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。