“深度学习”指的是训练神经网络，有时候规模很大，那么神经网络究竟是什么呢？在这个视频中，我会讲些直观的基础知识。
我们从一个房价预测的例子开始。假设有一个六间房屋的数据集，已知房屋的面积，单位是平方英尺或平方米，以及房屋价格。你想要找到一个函数，根据房屋面积来预测房价。
如果你懂线性回归，你可能会说，好吧，用这些数据来拟合一条直线。于是，你可能会得到这样一条直线。但奇怪的是，你可能也知道，价格永远不会为负，因此直线不大合适，它最后会让价格为负。我们在这里弯曲一点，让它结束于 0。这条粗的蓝线，就是你要的函数，根据房屋面积预测价格。
这里的直线拟合得很好。你可以把这个函数看成一个非常简单的神经网络，你刚刚用它来拟合房屋价格。这几乎是最简单的神经网络了。
让我画在这里，我们把房屋的面积，作为神经网络的输入，称之为x。通过这个节点，这个小圈圈，最后输出了价格，用y表示。这个小圆圈就是一个独立的神经元，你的网络实现了左边这个函数的功能。这个神经元所做的，就是输入面积，完成线性运算，取不小于 0 的值，最后输出预测价格。
神经网络的文献中，经常看得到这个函数。这个函数一开始是 0，然后就是一条直线。这个函数被称作 ReLU 函数，全称是“修正线性单元”。“修正”指的是取不小于 0 的值，这就是这个函数长这样的原因。不理解 ReLU 函数的话不用担心，这门课的后面你还会看到它。
这是一个单神经元网络，规模很小的神经网络。大一点的神经网络是把这些单个神经元堆叠起来形成的。你可以把这些神经元想象成单独的乐高积木，你通过搭积木来构建一个更大的神经网络。
来看一个例子，我们不仅仅用房屋的面积来预测价格，现在你还有一些房屋的其它特征，知道了一些别的信息，比如卧室的数量。你可能想到，有一个很重要的因素会影响房屋价格，就是“家庭人数”。这个房屋能住下一个三口之家，四口之家或者五口之家，这个性质和面积大小相关。还有卧室的数量，能否满足住户的家庭人数需求。
你可能知道邮编，在一些国家也被叫作邮政编码。邮编或许能作为一个特征，说明了步行化程度，这附近是不是高度步行化的？你是否能步行去杂货店，或者是学校？是否需要开车？有些人喜欢高度步行化的地方。另外还有富裕程度，在美国是这样的，其它国家也可能一样。邮编体现了附近学校的质量。
我画的每一个小圈圈，都可能是一个 ReLU，即“修正线性单元”，或者其它的不那么线性的函数。基于房屋面积和卧室数量，你可以估算家庭人口。基于邮编，可以评估步行化程度，也可以评估学校质量。最后你可能会认为，人们愿意在房屋上花费多少钱，和他们关注什么息息相关。在这个例子中，家庭人口、步行化程度以及学校质量，都能帮助你预测房屋的价格。
在这个例子中x是所有的这四个输入，y是预测的价格。通过把这些独立的神经元叠加起来，或者上一张幻灯片里面的简单的预测器（神经元），现在有了一个稍微大一点的神经网络。神经网络的部分神奇之处在于，当你实现它之后，你要做的只是输入x，就能得到输出y。不管训练集有多大，所有的中间过程它都会自己完成。
那么你实际上做的就是这样，这里有四个输入的神经网络，输入的特征可能是卧室的数量，邮政编码和周边的富裕程度。已知这些输入的特征，神经网络的工作就是预测对应的价格。
同时请注意到，这些圈圈，在一个神经网络中，它们被叫做“隐藏单元”。每个的输入都同时来自四个特征，比如说，我们不会具体说，第一个节点表示家庭人口，或者说家庭人口仅取决于特征x1和x2。我们会这么说，对于神经网络，你自己决定这个节点是什么。我们只给你四个输入特征，随便你怎么计算。因此我们说这一层，输入层，以及在中间的这一层，在神经网络中连接数是很高的。因为输入的每一个特征，都连接到了中间的每个圈圈。
值得注意的是，对于神经网络，只有你喂给它足够多的关于x和y的数据，得到足够的x、y训练样本，就非常擅长于计算从x到y的精准映射函数。这就是一个基本的神经网络，你可能发现，自己的神经网络在监督学习的环境下是如此有效和强大。也就是说，你只要尝试输入一个x，即可把它映射成y，像我们在刚才房价预测的例子中看到的。
在下一个视频中，你会看到更多监督学习的例子。有些例子会让你觉得，你的神经网络对你的应用场合非常有帮助。
