我们之前讨论机器学习时遇到两个无法解决的问题：
当模型复杂度越复杂时（function越多），这样loss会越小，但是理想和现实的效果会变得越来越大（训练集和验证集的效果变大）。
而当模型变得简单，理想和现实的差距会变小，但是loss也会变大
如何做到loss很低而且理想和现实很接近呢？模型不过于复杂而且loss也低
我们知道叠的层数越多模型复杂度越大 ，训练的效果越好，loss越小，同时我们的数据量规模如果足够大，也可以缩小理想和现实之间的差距，所以大部分认为如果有大资料更适用于深度学习
那为什么选择深度学习，还不选择纵向复杂度更高的模型呢？
下面的表格可以看出，同样的数量级别下，深度方向的复杂度提升效果更好
另一个对比方法是，如果横向增加模型复杂度，他增加的参数数量是比纵向增加更多
deep learning并不容易产生过拟合，需要的参数并不算多
增加深度会发生什么事情呢？
下面用一个简单的RELU函数组合进行解释：
x-a1的图像和a1-a2的图像是一样的，x由0到0.5时，a1由1变为0，a1由1变为0时，a2由1变为0又变为1，由此得到图像
由此类推：
所以要产生一个同样的function，deep 模型需要2K个neuron,而shallow需要2^K次方个neuron
复杂的模型更容易overfitting,所以我们需要的function是复杂且有规律的，更适合使用deep learning，例如语音，影像问题，深度学习的效果非常好
所以深度学习为什么好？
在比较少的参数情况下得到比较好的效果