1.深度学习相关定义

<font color=red>**字体变为红色的代码**</font>
<font size=4>我是尺寸</font>

• 深度学习是机器学习的一个分支，是指一类问题以及解决这类问题采用的方法
• 深度学习就是通过有限的样例(数据集)借助相关算法总结出解决问题的一般规律并运用在未知数据上的技术

2.贡献度分配问题

• 深度学习的模型往往是比较复杂的，一般样本的原始输入到输出目标之间的数据流要经过多个线性或者非线性的组件。所以，当得到最后的结果时，我们并不清楚每个组件到底贡献了多少。
• 这些组件都是会对数据流进行相关操作的
• 贡献度分配问题也经常被译为：信用发配问题或者功劳发配问题

贡献度分配问题为什么这么重要？

• 因为关系到如何学习每个组件的参数
• 如今解决贡献度分配问题的重要方法就是：借助神经网络
• 神经网络就是在模拟人脑神经系统，人脑神经系统可以将声音、图像等信号经过多层的编码处理，从最原始层的低层特征不断加工、抽象、提取细节，最终得到原始信号的语义表示(嵌入式表示)。

  3.神经网络与深度学习的总体关系？

• 神经网络与深度学习并不等价
• 深度学习的技术实现可以采用神经网络模型也可以采用其他的一些模型比如概率图模型(深度信念网络等)

  深度学习一开始是为了解决机器学习中的表示学习问题，但是目前它的应用范围很广，也可用于推理、决策等领域。