1. 两个条件
   1. 第一是训练一个足够大的神经网络，以便发挥数据规模巨大的优点
   2. 另外要到X轴上的位置，代表需要很多的数据，
2. 因此我们经常说，规模推动了深度学习的进步，
   1. 规模不仅是指神经网络的规模，我们需要一个有许多隐藏单元的神经网络，有许多的参数，许多的链接，
   2. 而且还有数据规模，
3. 事实上，如果要在神经网络上面获得更好的表现，在今天最可靠的手段，往往就是要么训练一个更大的神经网络，要么投入更多的数据！
   1. 但是这只能起到一定的作用，因为数据会用完，或者最终你的网络规模太大，需要的训练时间太久，
   2. 但是提升规模，已经在深度学习的世界中取得了大量的进展，

1. 关于一些符号约定
   1. 小写的m表示训练样本或者是训练集的规模，一般是x轴，

1. 三个因素
   1. 数据
   2. 计算能力
   3. 算法方面的创新
      1. 为了让神经网络运行的更快
      2. 例如：神经网络方面的一个巨大突破，就是从sigmoid函数，转换到RLU函数
      3. 通过改变激活函数，神经网络使用RLU函数，修正线性单元ReLU，它的梯度，对于所有的为正值的输入，输出都是1，因此梯度不会逐渐趋向0，
      4. 我们发现，只需要将sigmoid函数转换成ReLU函数，便能够使得“梯度下降法”运行的更快，
      5. 最终，算法方面的创新是为了能够增加计算速度，很多这样的例子，我们通过改变算法，就能使代码运行的更快，这也是我们能够训练规模更大的神经网络，或者在合理的时间内完成计算，即使在数据量很大，网络也很大的场合，
2. 快速计算很重要的另一个原因是训练神经网络的过程，很多的时候是凭借直觉的，你有了新的想法，关于神经网络架构的想法，然后写代码实现自己的想法，然后跑一下实验，可以得到神经网络的结构有多好，知道结果之后然后再回去修改，去修改神经网络中的一些细节，然后不断循环这个过程，
3. 当你的神经网络需要很长的时间去迭代，实现神经网络的时候，迭代速度对你的效率影响巨大，
4. 所以计算速度的提高，真的有帮助提高迭代的速度，让你更快的得到实验结果，这样同时帮助了神经网络的从业人员，和有关项目的研究人员在深度学习的工作人，迭代的更快，也能够更快的改进自己的想法，