人工神经网络的每一层由大量的节点（神经元）组成，层与层之间有大量的链接，可是层内部的神经元通常相互独立。深度学习的目的就是利用已知的数据学习一套模型，使系统在碰见未知的数据时也可以作出预测。这个过程当中神经元具有如下两个特性：算法
1，激活函数，这个函数通常是非线性的函数，也就是每一个神经元经过这个函数将原有的来自其余神经元的输入作一个非线性的变化，输出给下一层神经元，激活函数实现的非线性能力是前向传播的很重要的一部分。网络
2，成本函数，用来定量评估在特定输入的值下，计算出来的输出结果距离这个输入值的真实值有多远，而后不断地调整每一层的权重参数，使最后的损失值最小，这就是完成了一次反向传播，损失值越小，结果就越可靠。函数
神经网络算法的核心就是计算、链接、评估、纠错和训练，而深度学习的深度就在于经过不断增长中间的隐藏层数和神经元的数量，让神经网络变得又宽又深，让系统运行大量数据，训练它性能