最后，再看一個空間變換后的案例，左邊的紅綠是原始空間，右側(cè)是轉(zhuǎn)化后的高緯空間的扭曲圖，這個時候，所有的紅綠點都被扭曲到了一側(cè)，驚奇的發(fā)現(xiàn)可以線性可分了：
那么，再問一個深度的問題，當然這個是術的問題，為什么深度學習是深度，而不是寬度? 比如：
有以下論文用實驗數(shù)據(jù)證明了為什么深度學習網(wǎng)絡應該是高個子，而不是矮胖子：
為什么要分那么多層，除了激活函數(shù)更多，空間變換能力更強，還有啥奧妙?
因為，如果層數(shù)太少，可能樣本也太少,如下圖：
分了層后，每一層會有更多的樣本,如下圖：
最后，如何系統(tǒng)的進行深度學習的使用，下面一張圖已經(jīng)概括了，TensorFlow+theano+keras：
深度學習的介紹就到這里了，希望你能看到這里，遺憾的是筆者也僅僅是紙上談兵，沒有實操的經(jīng)驗，看得再多，也沒有實際做過一個深度學習項目來得實在。
阿爾法狗采用的是卷積神經(jīng)網(wǎng)絡，如果要深入學習，可以看看其實現(xiàn)過程，有很多的技巧，當然，這要付出很大的代價，但道理是相通的。
希望于你有所啟發(fā)。