深度学习如何发挥作用？
深度学习是一种使计算机模型能够根据数据进行预测的技术。
让我们从房地产估价的角度来看待深度学习。我们的任务是开发一个预测公寓价格的系统，同时考虑以下因素：
物体的位置
建筑物建造年份
总面积
地面
深度学习模型的结构
我们的数据经过多层神经网络：
输入层接收初始数据。这里有四个参数：位置、建筑年份、面积和楼层。
隐藏层处理接收到的数据。每一层都进行自己的计算，增加了分析的复杂性。这些层的数量和大小都是针对每个任务单独选择的。
名称中的“深”字意味着网络中有许多这样的隐藏层。
现在让我们来弄清楚一下房地产价格的计算过程究竟是如何发生的。
神经网络工作的核心是神经元之间的连接。每个连接都有自己的权重。它显示了每个参数对最终成本的重要性 - 例如位置或区域。
假设房屋建造的年份对于评估公寓的价值尤为重要。那么与这个参数的连接在我们的模型中就会有很大的权重。
激活函数
每个神经元使用一个激活函数来处理信息。该函数修改输入的数据，以便以后使用更加方便。它使得输出数据更加标准化，为下一步的处理做好准备。
最后阶段
一旦数据通过了神经网络的所有层，最后一步就是 日本赌博数据 产生最终输出的激活函数。在我们的案例中，这是一个房地产价格预测。
因此，利用深度学习，我们可以建立一个能够高精度预测房地产价格的系统。
深度网络训练
训练神经网络是深度学习中最重要也是最困难的一步。它需要：
数据量巨大
高计算能力
假设我们想估算公寓的价值。为此，我们需要有关价格、位置、建筑年限和其他特征的数据。由于特征数量众多，需要收集大量信息。
首先，我们将所有这些数据输入神经网络，并将其结果与数据库中的实际价格进行比较。由于网络尚不知道如何正确使用信息，因此其预测可能远非理想。
为了确定神经网络的错误程度，我们使用一种特殊的测试——损失函数。该测试显示了网络预测和实际价格之间的差异。
我们的目标是使损失函数尽可能的小。理想情况下，您希望达到零，即预测与现实相符。