对于有耐心的读者，我强烈推荐从 CS 自学指南 深度学习板块中选择一个课程看完，我看的是 CS231n。本篇文章仅是使用自然语言模糊地介绍深度学习。
正文
当你看到这个图片：
你能瞬间反应过来这是一只「猫猫虫」。
你反思这个过程，发现这个过程和数学上的函数一一对应：
1 | nameOf("bugcat.jpg") = "猫猫虫" |
你设想，如果能把这个函数的表达式写出来，不就能让机器帮你归类图像了吗？
但你发现了一个困难：对于不同的图片，会映射为不同的名字：
1 | nameOf("chicken.jpg") = "鸡" |
因此手动找到函数的表达式是困难的。
你只好开摆，但发现摆不了，工头给了你一堆任务。但这使你灵机一动：为什么不能让机器自己来找呢？
但你又发现了一个困难：假设全世界有 $N$ 种不同的字符串，有 $M$ 种不同的图片，则函数的表达式有 $N^M$ 种可能，而这显然比天文数字还大！要如何在 $N^M$ 中可能性中定位出正确的那一些呢？
于是你开始开摆，启动了「明日方舟」，打开了新的关卡，却玩失败了。这使你灵机一动：其实没有必要一下定位到正确的解，只要每一次能让解优化一点点就行了，次数多了自然会越来越正确。
但你又发现了一个困难：解怎么样才算优化？显然「猫猫虫」和「猫猫」天差地别，但「猫猫虫」和「咖波」则相对较为接近，如果武断地检测字符串相似度显然是不可取的。
于是你开始开摆。在刷水群的时候，你看到这样一张图片：
这是鼠鼠？还是西瓜？你发现你自己也不太清楚。但这使你灵机一动：你指定了猫猫虫、鸡、篮球等各种标签，然后让机器预测图片是每一种的概率多大。假设输入的是一张猫猫虫图片，显然是 100%, 0%, 0% 的时候最优。如果机器预测结果不最优，只需要令其自主微调函数，使结果更接近 100%, 0%, 0% 就行了。
至于怎么微调？这是数学问题，有人帮你解决了。也就是说，你已经发明了一个可以归类图像的深度学习模型。
展望
在此之后，你把输出从字符串换成图片，输入图片前给其加点噪声，输出目标是获得和原图尽可能接近的图像，训练数日再输入一幅完全噪声图像，令其不断去噪，就得到了一个 AI 绘画工具；你把输入从图片换成字符串，输入英文，输出翻译结果每个字是每个中文字的概率，目标是在正确结果处为 100% 而在错误结果处为 0%，就得到了一个翻译器……
你感觉前途广阔起来，用 AI 重写所有行业的规则变成了你的梦想。但你深显卡稀少，水课繁多，你的梦想真的能实现吗？实现了这个梦想，又真的能让你更幸福吗？