数据犹如滔滔河水，神经网络犹如控制河道形状的迂回曲折的河岸线、犹如阻挡水势的石头和土山。当数据的河流冲刷河道山石时，河道山石的形状就发生了变化，从而水流的形状也发生了变化。
每一条河流都有自己理想的大海，犹如每一个数据都有自己的标签。河流总是一往无前地朝着大海前进，对于阻碍它行程的河道土石拼力冲刷。
当训练数据对河道山石冲刷地差不多时，这个数据上的河道就确定了。当“没有理想”的数据之河流来时，河道山石固定的形状就会把这条“测试”的河流引向大海。
所以，神经网络其实就是在拟合数据，就像河道山石在拟合河流。如果训练数据和测试数据不一样，那么河道必然不同。
有一个大盒子，里面有各种各样的挡板，把一堆球投入盒子，这些球就会在盒子里面“乒乒乓乓”一顿乱撞，最后各种小球落入各个小孔。大盒子的构造一旦确定，它就只能对特定的数据生效。
深度学习就是在研究如何构造容易被变形的“河道山石”和“大盒子”。
为什么深度学习泛化效果好？因为数据少的话会过拟合。数据多必然能够冲刷河道，让河道更“正统”。
由此观之，我们需要制造的是容易被数据之流冲刷的“结构”。
神经网络不是唯一的选择。神经网络的结构是可以超级丰富多彩的。