前言：
我们知道深度学习一个重要特征是网络堆叠，深。 为什么需要深度，
本篇主要简单介绍一下该原因
目录：
1： 简介
2： 模块化分析
3： 语音识别例子
一 简介
有人通过实验,使用相同的网络参数，深度越深的网络相当于浅层网络效果更好。
1.1 Deeper is Better
如下图，随着网络层次逐渐加深，文本错误率逐渐降低
如下图，我们只用一层的网络，参数量跟多层一样，错误率高很多.
为什么产生这种现象？
同样的参数量，深度网络比浅层网络效果更好。
二 模块化分析
我们写程序，也把函数分为不同模块，实现不同功能
深度学习不同的层也相当于不同的函数,不同的函数实现不同的功能，
更高层也能使用到.
2.1 数据集的影响
比我我们要通过一个神经网络实现做4分类
|-------|------|
| 长头发女生 | 数据量大 |
| 长头发男生 | 数据量小 |
| 短头发女生 | 数据量大 |
| 短头发男生 | 数据量小 |
因为长头发男生数据集小，训练的网络一般会比较差。
解决方案：
使用更深层次的网络，有的用来识别男女,有的用来识别短头发长头发
然后更高层次的网络用来做4分类.
深度学习就相同于实现上面模组化的功能，每一层的神经元的输出，作为下一层神经元的输入.
我们没有足够的训练数据，所以做Deep Learning
三 语音识别例子
以发音识别为例：
输入了语音特征,输出对应的概率
在深度学习采样的模型如下：绿色模块是一些根据专家信息提取的声音
特征信息
Google 曾经做过实验:
使用深度学习的模型甚至完全不需要上面绿色的模块
可以达到前面模型一样的准确率.
