深度学习（Deep Learning）的工作流程是数据自底向上逐层变换：输入层把28×28像素图片转成784个数值，浅层检测边缘与颜色，中层组合形状，深层形成完整概念，再由反向传播与梯度下降调整权重，解决人工规则难以直接编码复杂模式的问题，并不解决训练需数百万样本与数天算力。
假设你要训练一个深度学习模型识别猫的图片：
- 输入层：把一张28×28像素的图片（784个像素点）喂进去，每个像素的颜色值（0到255）变成数字。
- 浅层（前几层）：检测基本特征，比如边缘和颜色。猫耳朵的尖角、毛发的纹路被捕捉到。
- 中层：组合这些特征，识别形状。比如，尖角和弧线拼成“耳朵”，圆形加上纹路变成“脸”。
- 深层（后几层）：理解整体概念，判断“这是猫的脸”还是“这是狗的脸”，甚至还能分辨猫的品种（像波斯猫还是暹罗猫）。
每一层都像个“过滤器”，从简单到复杂，逐步提炼信息。层数越多，提炼得越深入，最后的判断就越精准。比如，一个10层的网络可能只认出“动物”，而一个100层的网络能精确到“这是只三花猫”。
训练过程还是靠“反向传播”和“梯度下降”（上一期讲过）。但因为层数多，计算更复杂，需要更多时间和数据。比如，训练一个能识别1000种物体的深度模型，可能需要几百万张图片和几天时间。数学上，每一层都在调整权重（Weights）和偏差（Biases），让预测结果更接近真实标签。
举个真实案例：谷歌的DeepDream项目很有趣。它用深度学习分析图片，然后“反向生成”内容。如果你给它一张云的图片，它可能会“看到”隐藏的狗脸或猫脸，因为网络在训练时学会了这些模式。这也展示了深度学习“想象力”的一面。
