最近关于深度学习的讨论越来越多，但是深度学习如此神奇的背后到底有多少人真的明白其原理呢？其实深度学习是一种多层的神经网络，神经网络中的每一层都紧紧的耦合在一起，通过不断的循环迭代来优化每个神经元之间的权重。虽然深度学习在图像识别、语音识别等方面表现出了惊人的效果，但是其原理与实现依赖大量数据，虽效果不错，但模型过于复杂，难以解释和调整。
这时候，可以用降维打击算法来解释深度学习，将复杂的模型通过简化的方式突显出来，揭示其奥秘。
降维打击是在保持数据特征的情况下，将高维的数据集转换成低维数据集的过程，并能一定程度上保持原数据的信息。深度学习使用的神经网络就是一种多层的自编码器，不断地输入数据后便自动学习到了底层特征，而我们只需要提取其中的部分特征来做出预测即可，这个过程可以看作是一个将高维数据压缩成低维数据的过程。
深度学习使用神经网络进行多步特征抽取，将高维空间上的数据映射到了底层空间，这个过程与降维过程非常相似并相互证明。因此，我们可以理解说，深度学习就是一种多步骤的降维打击算法。
一句话概括：从高维度数据压缩到低维度数据的过程中，深度学习使用神经网络进行多步特征抽取，将高维数据映射到了底层特征空间，是一种多步骤的降维打击算法。
