有没有大佬能用通俗的话语把深度学习的原理讲解下。不要专业术语

这个图已经解释的够清楚了
机器通过一定统计学算法，把图像分解成一些不同的层，对每个层提取特征。
深度学习的“深度”，其实就是指分解出的这些不同的层。
这些层是通过一些常用的图像处理(例如池化和卷积，类似ps里的放大、缩小、调色、反色、滤镜、模糊、融化边缘之类)产生的数据。
从这些层里提取的像素特征，可以看作是语言中的“词汇”，机器正是利用了这些词汇，来“猜”要识别的图像究竟是什么东西。

我用自然语言举个例子。
例如你是一个老外，从来没学过中文，但你有超强的记忆力，这时给你一大堆汉字书籍，没人教你汉语，也不让你看教程。只是给了你挑了两本武侠小说(样本-训练集)，让你找出其它书籍中所有的武侠小说。
你观察到中文是由“字”组成的，字(字符)就可以看作是一个层(相当于图像的pixel像素层)
然后你发现中文字符不是平均分布的，有些字出现频率特别多，例如“的”字到处都是。(这些高频的字可以看成是pixel层的特征)
很多字常常是连在一起出现的，比如“可”字后面常出现“以”字，那么“可以”就可以看作是一个词，这样统计一些经常出现的词，就构成了“词层”(相当于图像的edge边缘层)
然后你又发现“句子层”(图像的parts图块层)、“段落层”(图像object对象层)。
你找到已知的两本武侠小说，从字、词、句、段等这几个层分别查看它们的特征。所谓武侠特征，是指武侠小说中某个层经常出现的元素或属性，而其他小说不常出现的。比如单字层“砍、打、踢、跳、刀、剑...”、词层“武功、功法、门派、大侠、掌门、师妹...”、句层常出现对话(包括冒号、引号等)、段层每段句数不固定且每句的长度不固定(不似诗文的有规律段落)。这些特征都是可以用统计的方法找出来的，所以是可以用机器自动化处理的。
根据这些特征，即使你完全不懂中文，也能以很高的正确度“猜”出那些没见过的小说是不是武侠小说。这就是深度学习的原理。
你也许会说，根本不用那么多层，只需要通过一个词层就能比较准确的判断了。武侠小说确实是这样，但如果扩展到某些更广泛的分类，例如诗歌、古文之类，那么其它层的参考作用就比较大了，所以中间层的选择对于识别也很关键的，深度学习一般也是人工设置所需的中间层。
要注意虽然很多教材说到深度学习和人脑思维的共同之处，但要注意其实还是有一些本质的不同，不能认为目前的机器学习真的可以解决任何问题。
机器识别出来的特征和人识别的有很多共同之处，但也有很多不同。例如机器可能把“的了、你又”看成是一个词，图像中也会把一些我们觉得该应该忽略的噪音看成是特征，这会导致机器识别的结果常常不能和我们达成一致。调参数可以解决一部分问题，但并不总是有效的。
想想看，你能读懂中文，你是怎么判断某书是不是武侠小说的？随机挑几段文字读一下，就可以判断了，正确率比统计的还要高。其实在你阅读的短短的文字中，已经通过规则和联想机制做出了比深度学习更深许多倍的推理。这一点也决定了深度学习无法攻克自然语言的现状，相比之下，深度学习只能算是浅思考。

我没有搞过机器学习。个人对阿法狗的理解是这样的，不知道对不对：
通过不断的对弈，记录巨量的棋谱，同时记录每张棋谱的出现次数、这张棋谱最终导致赢棋的次数，每张棋谱将有一个赢棋概率的统计值。
跟真人对弈时，就是不断找出一张赢棋概率最大的棋谱。

任何复杂函数都可以表达为简单非线性函数的线性叠加。