人工神經網路的每一層由大量的節點（神經元）組成，層與層之間有大量的連線，但是層內部的神經元一般相互獨立。深度學習的目的就是利用已知的資料學習一套模型，使系統在遇見未知的資料時也能夠做出預測。這個過程中神經元具備以下兩個特性：

1，啟用函式，這個函式一般是非線性的函式，也就是每個神經元通過這個函式將原有的來自其他神經元的輸入做一個非線性的變化，輸出給下一層神經元，啟用函式實現的非線效能力是前向傳播的很重要的一部分。

2，成本函式，用來定量評估在特定輸入的值下，計算出來的輸出結果距離這個輸入值的真實值有多遠，然後不斷地調整每一層的權重引數，使最後的損失值最小，這就是完成了一次反向傳播，損失值越小，結果就越可靠。

神經網路演算法的核心就是計算、連線、評估、糾錯和訓練，而深度學習的深度就在於通過不斷增加中間的隱藏層數和神經元的數量，讓神經網路變得又寬又深，讓系統執行大量資料，訓練它