字母、它的交通标志尺寸以及和它的运动或由此带来的缺失。神经网络的任务是判定它是否为一个停止标志。这提出了一个「概率向量」，它真是一个基于权重的高度受训的猜测。在我们的例子中，系统可能有 86% 的把握认为图像是一个停止标志，7% 的把握认为这是一个限速标志，5% 的把握认为这是一只被卡在树上的风筝，等等——然后网络架构告诉神经网络结果的正确与否。
甚至这个例子都有些超前了，因为直到现在，神经网络都被人工智能研究社区避开了。自从最早的人工智能起，他们一直在做这方面研究，而「智能」成果收效甚微。问题很简单，即最基本的神经网络属于计算密集型，这并不是一个实用的方法。不过，由多伦多大学的 Geoffrey Hinton 带领的异端研究小组一直在继续相关研究工作，最终在超级计算机上运行并行算法证明了这个概念，但这是直到 GPU 被部署之后才兑现的诺言。
如果我们再回到停止标志的例子，当网络正在进行调整或者「训练」时，出现大量的错误答案，这个机会是非常好的。它需要的就是训练。它需要看到成千上万，甚至数以百万计的图像，直到神经元的输入权重被精确调整，从而几乎每一次都能得到正确答案——无论有雾没雾，晴天还是雨天。在这一点上，神经网络已经教会了自己停止标志看起来会是什么样的；或者在 Facebook 例子中就是识别妈妈的脸；或者吴恩达 2012 年在谷歌所做的猫的图片。
吴恩达的突破在于从根本上使用这些神经网络 并将它们变得庞大，增加了层数和神经元的数量，然后通过系统运行大量的数据来训练它。吴恩达使用了 1000 万个 YouTube 视频的图像。他将「深度」运用在深度学习中，这就描述了这些神经网络的所有层。
如今，在一些场景中通过深度学习训练机器识别图像，做得比人类好，从识别猫咪到确定血液中的癌症指标和磁共振成像扫描中的肿瘤指标。谷歌的 AlphaGo 学会了游戏，并被训练用于 Go 比赛。通过反复与自己对抗来调整自己的神经网络。
感谢深度学习，让人工智能有一个光明的未来。
深度学习 已经实现了许多机器学习方面的实际应用和人工智能领域的全面推广。深度学习解决了许多任务让各种机器助手看起来有可能实现。无人驾驶机车、更好的预防医疗，甚至是更好的电影推荐，如今都已实现或即将实现。人工智能在当下和未来。有了深度学习，人工智能甚至可以达到我们长期所想象的科幻小说中呈现的状态。我拿走你的 C-3PO，你可以留着终结者。
人工智能、机器学习、深度学习三者之间的同心圆关系
