深度学习指训练神经网络，有时候规模很大。
什么是神经网络呢？
房价预测的例子：
假如有一个六间房屋的数据集，已知房屋的面积、已知房屋价格，想要找到一个函数：根据房屋面积预测房价的函数。
线性回归思想：用这些已知数据来拟合一条直线。
但由于房价永远不会为负，因此直线不太合适。所以在Y轴接近于0的时候，让它弯曲一点，结束于0。
则可将这个找到适合于房价预测的拟合函数的过程（有输入有输出），看成是一个非常简单的神经网络。
这几乎是最简单的神经网络了，即我们把房屋的面积（x），作为神经网络的输入，通过这个节点（小圆圈），最后输出了价格（y）。
则这个小圆圈就是一个独立的神经元（neuron[niu:ron]）
这个神经网络（神经元）的作用：输入面积、完成线性计算、取不小于0的值，最后输出预测价格。
这个函数在神经网络文献中非常常见，Relu[relu]函数，全称为 rectified linear unit，修正线性单元。这个函数一开始是0，然后是一条直线。修正指的是取不小于0的值。
这是一个单神经元网络，规模很小的神经网络，大一些的神经网络，就是把这些单个神经元堆叠起来形成的。可以将这些神经元想象成单独的乐高积木，通过搭建积木来构建一个更大的神经网路。
例子：不仅仅使用房屋的面积来预测价格，现在还知道了一些其他信息，比如卧室的数量、邮编、富裕程度等。面积和房间数量作为特征代表家庭规模、邮编代表街区，步行化程度（即便利程度）、邮编和周围的富裕程度代表学校的质量。根据这些，人们愿意在房屋上花费多少钱呢？
这里每一个圆圈都可能是一个relu函数，即“修正线性单元”，或者其他不那么线性的函数。
这样就得到了一个堆叠的神经网络，他的神奇之处就在于，只需要输入x（这里指房屋面积、房间数量、邮编、周围富裕程度这4个特征），就可以得出y（房屋预测价格），不管训练集有多大，所有的中间过程，它都会自己完成。
我要做的是，将四个特征输入到神经网络中。
中间的圆圈，在一个神经网络中，他们被叫做“隐藏单元”，每个的输入都同时来自四个特征（全连接）。我们不会说第一个节点代表特征1和特征2，第二个节点代表特征3，而是说，神经网络，你自己决定这个节点是什么，自动生成隐藏单元。我们只给你四个输入特征，随便你怎么计算。
即输入层-隐藏层-输出层：
隐藏层中，连接数是很多的，因为输入的每一个特征，都连接到了中间的每一个圆圈。
值得注意的是，在神经网路中，只有你喂给它足够多的数据：关于x和y的数据（x，y），即给到足够多的x、y训练样本（有监督学习），神经网络非常擅长于计算x到y的精准映射函数，这就是一个基本的神经网络。
神经网络在监督学习的环境下是如此的有效和强大，也就是说，只要尝试输入一个x，即可把他映射成y。
