机器学习像决策树、支持向量机SVM、K均值聚类等一系列算法在21世纪初就已经得到应用，特别是SVM在分类领域已经非常流行，但是传统机器学习模型本身只是单层的模型，得到的超平面并不能拟合特别复杂的数据分布情况，尽管通过核函数可以使这种曲面可以分割分线性可分的曲面，但是在复杂分布的数据拟合，这种方式也不能很好的拟合。

深度学习，通过多层神经网络的方法解决了这种复杂数据分布的拟合问题，比如卷积神经网络，在图像识别方面已经超过人类。

深度学习模型解析，深度学习他的基本作用是从一个数据集X到数据集Y的映射，比如从图片数据集到分类标签数据集的映射，如果你训练过卷积网络就知道，你输入的一个图片，然后输出一个分类标签。

那么说了这么多，来看看训练是干什么，当我们建立一个模型时，输入一条数据输出的数据不是我们预期的数据，训练的目就是调整模型中的参数，让输出越来越接近预期输出，这个训练调整过程就是优化，比如梯度下降法。

梯度下降实际就是求导，通过计算实际值和期望值差距，也就是损失函数，到求对模型参数的导数，再将模型参数往导数负方向调整，就能逐步减小损失函数计算出的误差。通过大量迭代，训练出一个输入输出符合预期的模型。