在喂入足够多的数据x和y，神经网络就能精准的找到它们之间的映射函数。
预测房价一边用Standard NN;
即神经网络非常擅长于计算从x到y的精准映射函数。
对于图像数据处理，如加标签，常用CNN；
对于一维序列（具有一定顺序）数据，如具有时间序列的音频数据，常用RNN；（因为其中包含时间成分）
而语言转换也是序列数据，用更复杂的RNN（RNNs）.
结构化数据是数据的数据库（即每个特征都有清晰的定义）
非结构化数据指的是图像的像素值，文本的单词。
想要训练一个性能非常好的神经网络模型，要满足两个条件：
- 神经网络规模足够大，不只是神经网络的规模（许多的的隐藏神经元，参数以及连接）
- 数据规模足够大。（数据是带标签的数据（x，y））
在数据量不大时，是难以看出各种算法的优劣。
数据量和计算能力的提升造就了神经网络。
通过改进算法加快模型的训练，由于sgmoid函数在x较大时，采用梯度下降算法，模型参数更新较慢，所以用relu替换。
先是idea，再encode，再运行得出结果，再观察得出新的idea，再修改code，依次循环。