标题中虽然说的是高深的AI算法，不过既然我们要简要，那么就把困难降低到最低点，这里用深度学习中一个最基本的线性回归的数学公式举例即可。也就是我们初中学过的一元方程（当然一元二次方式其他的也一样，只是举例）这种。
当然要说明的是，仅了解一个初中学的方程函数不会也不可能一劳永逸地弄明白人工智能深度学习算法的所有思想，AI深度学习神经网络能发展到现在，肯定也不是这么一个简单的函数就能表达清楚的。不过机智客觉得，虽然理论上我们不可能用一个简单的数学公式就能说清深度学习，不过把这个我们初中数学都学过的基本的数学公式的思想作为一个入门级的概念去学习去理解，还是可以的。
这个数学公式我们在初中的时候就学过，就是用ax+b的数学公式写的y=ax+b这样的函数。已知a和b的值，当x等于N的时候，y等于多少，不用说，非常简单的函数问题。当然把这个函数稍微扩展一下也可以。在深度学习中，我们经常把类似这样的数学公式里的a看作w，也就是权重，b则是偏移量。这个数学函数就成了类似y=wx+b这样的形式。如果w不是一个，而是多个，那么函数则是y=w1x1+w2x2+b（1和2是下标，w1和w2是两个不同的参数）。其他变形诸如x是平方啦什么的也类似。
这样的基本的数学公式有了，我们上中学的时候就明白了用它怎么解题，而这个思想，其实也是普通算法的思路。我们的解题思路，就是普通算法的解题流程。公式（算法）原本存在，a和b的参数也已知，我们知道这个线性的对应关系，老师（用户）给我们一个x值，我们把它代入公式，就自己算出来对应的y值了。而且这个我们还能画出象限坐标。
而到了AI算法中，就没这么简单了。我们都听说过人工智能要训练数据，需要大量数据。假如我们还用这个简要的函数来表示的话，那么这里的数据，其实就是x和y。我们要找的其实是权重参数，通过大量的x和y的数据来训练，以便把输出的y和实际的y的误差降到最低点。而一旦确定了参数，则面对新的问题的时候，我们再套用函数公式来解决新的问题，也就是推理新的数据，用AI生成。
所以不管是普通算法，还是AI算法，其实基本的数学公式也就是算法核心，我们都是知道的。无非就是一个是已知系数，通过x得到y，另一个无非重头戏就是求解参数，训练数据以便寻求得到正确的参数，然后继续用w、x和b的值套用公式来推理y。而如果你非要问这个函数是怎么确定的，数学家们给我们铺的路呗，还能有谁。
