对于这个神经网络的训练过程，就是要确定这11935个参数。
训练的目标可以粗略概括为：对于每一个训练样本，对应的输出无限接近于1，而其它输出无限接近于0。
根据works)之后，最终达到了99.67%的正确识别率。而针对works)；
regularization(dropout)；
rectifiedlinearunits；
利用gpu获得更强的计算能力等。
深度学习的优点显而易见：这是一种全新的编程方式，它不需要我们直接为要解决的问题设计算法和编程，而是针对训练过程编程。
网络在训练过程中就能自己学习到解决问题的正确方法，这使得我们可以用简单的算法来解决复杂的问题，而且在很多领域胜过了传统方法。
而训练数据在这个过程发挥了更重要的作用：简单的算法加上复杂的数据，可能远胜于复杂的算法加上简单的数据。
深度网络往往包含大量的参数，这从哲学原则上不符合奥卡姆剃刀原则，通常人们要在调整这些参数上面花费巨大的精力；
训练深度网络需要大量的计算力和计算时间；
过拟合(overfitting)问题始终伴随着神经网络的训练过程，学习过慢的问题始终困扰着人们，这容易让人们产生一种失控的恐惧，同时也对这项技术在一些重要场合的进一步应用制造了障碍。
而betacat的故事，所讲的就是一个人工智能程序，通过自我学习，最终逐渐统治世界的故事。
那么，现在的人工智能技术的发展，会导致这种情况发生吗？这恐怕还不太可能。一般人认为，大概有两个重要因素：
第一，以现在的人工智能来说，它的自我学习还是限定在人们指定的方式，只能学习解决特定的问题，仍然不是通用的智能。
第二，现在对于人工智能的训练过程，需要人们为其输入规整化的训练数据，系统的输入输出仍然对于数据的格式要求很严格，这也意味着，即使把人工智能程序连到网上，它也不能像betacat那样对于互联网上海量的非结构化数据进行学习。
然而这仅仅是对普通的人工智能，但是对起源这样真正的网络智能生命来说，以上两点要求它完全都能够做到。