本章介绍神经网络的起源和发展，说明形成和演变，分析应用和影响，讨论缺陷和视图，总结平台和工具，概括内容结构和案例数据。
1.1起源和发展
起源：人工神经网络（本质上是）一类对神经网络（具有深层结构）有效的训练方法
神经网络也就是一个由神经元组成的分层系统，而其深度就是不包括输入层的层数。其组成部分：输入层x,隐含层h,输出层y。
发展历程：1943MP模型->1949提出有关学习的思想->1958感知模型及其学习算法
->20世纪八九十年代研究高峰（hopfield神经网络，玻尔兹曼机，多层感知器【最早的深度学习】）
->1991提出深层网络存在梯度消失或爆炸问题（深度学习里程碑）
->2006深度学习正式发端
关键词：
1‘MP模型：n个输入，n个权值，1个偏b，一个输出y
2’第一个具有深度的神经网络：fukushima神经认知机
3‘反向传播是最常用最著名的算法。有监督学习算法，需要教师指导信号即需要提供训练样本，对给定输入指明相应输出。
4’浅层网络：具有一个隐含层的网络。
深层网络：具有两个或以上隐含层的网络。
5‘单隐含层感知器逼近定理：只要单隐含层包含的隐含神经元足够多，就能在闭区间上以任意的精度逼近任何的一个多变量连续函数。
6'梯度消失或爆炸问题：累积反向传播误差信号，在神经网络的层数增加会出现数衰减或增长的现象，从而导致数值快速收缩或越界，
也就是很难用反向传播算法训练的主要原因。
7‘研究良好期望：对于给定数目的训练样本，如果缺乏其他先验的知识，人们更期望使用少量的计算单元来建立目标函数的紧表达，以获得更好的泛化能力。
8’潜在能力：深度为k的网络能够表达的函数是用深度为k-1的网络来表达时有时需要的计算单元会呈指数增长。
1.2卷积神经网络的形成和演变
标准的卷积神经网络一般由输入层，（交替的卷积层和池化层，全连接层）和输出层构成。
也就是隐含层细化一下。
1.3卷积神经网络的应用和影响
图像分类和识别，目标定位和检测等大规模数据评测
应用方面：
手写字符识别，图像分类，单目标定位挑战，人脸验证，交通标志识别，视频游戏，视频分类，语音识别，机器翻译，围棋程序。
1.4卷积神经网络的缺陷和视图
视觉方面仍不如人类。
通过可视化技术，展现网络各层直觉的期望性质。
1.5卷积神经网络的GPU实现和cuddn库
cpu训练较慢，采用gpu加速。
cuda，也就是通用计算的并行计算平台和编程模型。以c语言为基础，并对c进行扩展，
在显卡芯片执行程序，提供深度神经网络加速库，完成多个函数层的快速实现。
1.6卷积神经网络的平台和工具
1‘Theano
2'TensorFlow
3'Caffe
4'Caffe2
5'CNTK
6'MXNet
7'Torch
8'Deeplearning4J(DL4J)
9'Keras
1.7本书的内容结构和案例数据
一章概述
二章预备知识
三章LeNet模型
四章AlexNet
五章应变模型
六章加深模型
七章跨连模型
八章区域模型
九章分割模型
十章特殊模型
十一章强化模型
十二章阿尔法狗设计原理和思想，分析MuGo的游戏应用案例