相对于机器学习，深度学习为什么要 Deep 呢？
直觉上是因为神经网络层数越多，参数就越多，拟合能力越强，但是参数多可以向 shallow 的方向发展，那为甚什么要向 Deep 的方向发展呢？
要对比Deep与Shallow ，首先要保证他们的参数两是一样的，这样对比才比较公平，如下图：
更深的网络模型确实是有更好的表现，误差会更低。
事实上更加Deep，有更多的 Hidden Layer ，是在做模组化(Modularization) 这件事，这和模块化、函数式编程很相似，也就是说每层有具体的功能，例如：
- 第一层的神经元是比较基础的分类器；第二层则是比较高级的…
- 其中第二层以第一层的输出作为输入，第三层以第二层的输出作为输入，以此类推…
- 模组化是机器自己学习出来的，模组化可以想象CNN —比较底层可以识别细节信息，高层则可以更好的识别语义信息
做Modularization 这件事的好处就是网络可以举一反三，不再需要很多很多的data.
有一种流行的说法：AI = BigData + DeepLearning 大数据与深度学习相结合所以可以做识别等任务(深度学习需要很大的数据支撑)，恰恰相反，深度学习只需要更少的Data，这里的BigData 即使有100g，1000g 依然不能包含所有的Data，因此才需要DeepLearning来举一反三 ，如果真的有能包含所有东西的大数据那根本不需要深度学习这件事了，直接做标签分类就实现了。
知乎上也有对这个问题的讨论：
