顾名思义，神经网络类似人类大脑，由一个个神经元组成，每个神经元和多个其他神元连接，形成网状。单个神经元只会解决最简单的问题，但是组合成一个分层的整体，就可以解决复杂问题。

名称：图1
描述：1

传统的机器学习方法只利用了一层芯片网络，在遇到真正复杂的问题时，处理效率就会变得十分低下。深度学习的最核心理念是通过增加神经网络的层数来提升效率，将复杂的输入数据逐层抽象和简化。也就是说，将复杂的问题分段解决，每一层神经网络就解决每一层的问题，这一层的结果交给下一层进行进一步处理。
    有一层神经网络，就可以找到简单的模式；有多层神经网络，就可以找出模式中的模式，如果描述得更数学一点，当下流行的深度神经网络可分为应对具有空间性分布数据的CNN（卷积神经网络）和应对具有时间性分布数据的RNN(递归神经网络，又称为循环神经网络)。
    CNN往往用于图像识别，正如上文描述的，网络的第一层被训练成可以完成这平一个“小目标”——识别图像中局部的独立模块，如一个方块、一个三角形，或者一个眼睛。这一层，人类输入大量图片数据的，只为让该层神经可以辨别基本的局部图形“边缘”，即是一个像素旁边没有任何东西。
     RNN则往往用于语音识别和自然语言处理，因为语音和语言是一种按照时间分布的数据，下一句的意义 和上一句有关。RNNm网络可能记住历史信息。
      深度神经网络大大优化了机器学习的速度，使人工智能技术获得了突破性进展，在此基础上，图像识别、语音识别、机器翻译都取得了长足进步。