深度學習只是機器學習中的一個標準范式，更精確地說，是其中一個算法。深度學習在最大限度上依靠于人腦的概念以及神經之間的相互溝通。在谷歌上搜索“什么是深度學習”，會發現當時的相關熱詞已經與現在有很大不同。產生這種現象的原因是什么呢？實際上，“深度學習”這一術語最早出現在19世紀80年代，但直到2012年，人們才具備足夠的能力去運用這項科技，并逐漸開始注意到它。

知名科學家們在科學期刊上發表一系列文章后，這項技術開始風靡。如今，它有著各種各樣的應用，其中人臉識別占據了重要的位置。首先，深度學習助力構建識別生物特征軟件，該軟件能夠獨立識別或驗證個體。所有這些都是因為深度學習方法能夠利用非常龐大的人臉數據集，認識多種多樣的袖珍圖片，使現代模型能夠先運行，隨后甚至超越人類的人臉識別能力。

深度學習系統根據人腦新皮質的神經網絡建模，在那里出現了更高層次的認知。在大腦中，神經元是一個傳遞電子或化學信息的細胞。神經元與其他神經元連接時會形成神經網絡。在機器中，神經元是虛擬的——基本上是運行統計回歸的代碼位。把足夠多的虛擬神經元串在一起就得到了一個虛擬的神經網絡。

雖然計算機有不同型號，但是它們經歷的過程是一樣的。層次結構中的每個算法對其輸入應用非線性轉換，并使用所學內容創建一個統計模型作為輸出。迭代直至輸出達到可接受的精度水平才停止。數據必須通過的處理層的數量激發了標簽的深度。

讓我們首先關注人類是如何識別人臉的。由于面部表情的識別需要人腦廣泛而多樣部位的參與，面部感知十分復雜。腦成像研究通常顯示顳葉的梭形回區域有大量的活動，梭形回區域在受損時（尤其是兩側受損時）也會引起面容失認癥。人們從出生起就學會辨認面孔，四個月大的時候就能清楚地分辨出一個人和另一個人。

人們最關注的是眼睛、顴骨、鼻子、嘴、眉毛，以及皮膚的質地和顏色。同時，我們的大腦將面部作為一個整體來處理，甚至可以通過半張臉來識別一個人。大腦將所得圖像與內部平均模式進行比較，發現特征差異。

首先，人臉識別系統需要在圖像中找到人臉并突出顯示該區域。為此，軟件可以使用多種算法：例如，確定比例和膚色的相似性，選擇圖像中的輪廓及其與人臉輪廓的比較，使用神經網絡選擇對稱性。最有效的方法是可以實時使用Viola-Jones方法。有了此方法，即使人臉旋轉30度，系統也能識別臉孔。

該方法基于Haar符號。Haar符號是一組形狀各異的黑白矩形遮罩。遮罩疊加在圖像的不同部分，算法將遮罩的黑白部分下面的圖像的所有像素的亮度相加，然后計算這些值之間的差異。接下來，系統將結果與累積的數據進行比較，并在確定圖像中的人臉后，繼續跟蹤它以選擇最佳角度和圖像質量。因此需使用運動矢量預測算法或相關算法。

系統在選擇了最成功的圖片后，繼續進行人臉識別，并與現有的基礎進行比較。它的工作原理與畫家畫肖像的原理相同，都是在人臉上找到構成個人特征的參考點。通常，程序分配大約100個這樣的點。

面部識別程序最重要的測量是眼間距、鼻孔的寬度、鼻子的長度、顴骨的高度和形狀、下巴的寬度、前額的高度和其他參數。然后，程序將獲得的數據與數據庫中的可用數據進行比較，如果參數一致，就可以識別與該人臉相一致的人了。人腦能即刻自動完成這些步驟。事實上，人能很好識別人臉并從日常事物中區分人臉。至少目前看來，計算機不能進行如此高程度的泛化，所以只能教授它們每一步該做的事情。

因此有必要構建一個管道，在此能分別在人臉識別過程的每個步驟找到解決方案，并將當前步驟的結果傳輸到下一個步驟。也就是說，需要將多個機器學習算法組合到一條鏈中。事實上，對人類而言顯而易見的特征，如眼睛顏色，對計算機分析圖像中的單個像素沒有意義。研究人員發現，最合適的方法是使計算機能夠確定需要收集的特征。與此相反，深度學習可以更好更快地識別。

而最近，這個可能性出現了，或者說是被發現了。最開始每個人都不相信神經網絡的表現可以接近人類水平。但在2014年，一切都發生了變化。科學家們決定利用目前最好的兩個網絡——AlexNet、以及Matthew D.Zeiler和Rob Fergus開發的網絡。科學家們將它們與猴子大腦不同區域的反應進行了比較。猴子大腦經過訓練可以識別對象。并且選取的物品都來自動物世界，這樣猴子就不會混淆。

顯然我們不可能從猴子身上獲得反應，因此我們植入了電極，并直接測量每個神經元的反應。結果發現，在正常情況下，腦細胞的反應和當時最先進的模型Matthew Zeiler網絡表現一致。但是，隨著展示物體的速度加快，圖像中的噪聲和物體數量增加，人類和靈長類動物大腦的識別率和質量顯著下降。而在這種情況下，即使最簡單的卷積神經網絡也能更好地識別物體。也就是說，官方的神經網絡比人類大腦工作得更好。