类似于深度学习的分类问题，计算机理论其实已经有几十年了，最早的时候，人们是基于一些手动的规则，比如说：一个人身高高于1.75米，体重大于100斤，那我们就认为上述的描述是一个男人，类似这样手动的规则；但是现在，一些问题越来越复杂，利用人工去编写规则的方法已经没有办法来找到这样的函数，因为这样的函数已经太复杂了，现在主流的人工智能的方式就是数据驱动，数据驱动的意识就是说我让机器自己从数据中学习，从数据中发现规律，我们可以给计算机上百万张的图片，让它来去训练，我们希望计算机自己从数据中拟合出我们想要的函数来解决我们现实社会中的分类问题。

分类器的一个最基本的架构，我们输入一个张二狗，想看他是不是一个优质的单身狗：

上面的例子没有用到数据驱动的方法，是手动设定的方法，但是我们也可以更好的看到数据提取和根据特征做出判别这样一个过程。

判断一个张二狗我们并不需要深度学习这样一个手段，可我们为什么在图像的分类上用到机器学习，甚至是深度学习这样的工作呢？就是因为图片分类的本质难点：特征提取是一个非常非常困难的工作。有一些问题有比较明确的特征，但是图像特征有一个难点就是它的特征非常难以设计。

机器视觉发展了几十年，传统上不基于用机器学习或者深度学习的方法，通过手工设计，也有很多特征提取的方法：如HOG，SIFT，SURF，取得了一定的成果，但是瓶颈也很明显，就是面对更复杂问题的时候，是无能为力的。

深度学习最关键的牛X之处，在于能够进行特征学习，自行根据训练数据学习出特征。特征找的好不好决定了分类器的上限，而分类方法，不管是神经网络也好，或者是传统的随机森林这样的方法也好，只是去接近这样的上限。