【導語】如果你聽過深度學習，但對於它通俗的理解還是不太明白。那麼等你耐心你看完這篇文章，你一定會一下子豁然開朗! Let's Go !

先從機器學習說起

深度學習是機器學習的一個子集，人工智能(AI)的其中一個領域，它是改變了軟件開發的方式。

人工智能、機器學習、深度學習之間的關係

"在經典的程序設計中，人們輸入的是規則（即程序）和需要根據這些規則進行處理的數據，系統輸出的是答案 。利用機器學習，人們輸入的是數據和從這些數據中預期得到的答案，系統輸出的是規則。這些規則隨後可應用於新的數據，並使計算機自主生成答案。" -- 引自《Deep Learning with Pyhton》一書：

機器學習和經典程序設計的本質不同

經典軟件在規則明確的領域中運行良好，但是在諸如計算機視覺等領域中則不太適用，因爲計算機視覺領域的軟件必須理解從不同角度和不同光照條件下拍攝的照片和視頻的內容。

雖然機器學習已經使用了幾十年，但其功能在某些領域仍然受到限制，還需要涉及大量勞動密集型手工設計。例如，當在計算機視覺中使用時，開發人員必須從圖像中提取不同的特徵，然後再應用統計模型。這個過程非常耗時，需要多名AI工程師和領域專家參與才能完成。那麼，使用神經網絡-深度學習就可以很好的避免這些問題。

經典的機器學習方法涉及許多複雜的步驟

深度學習的核心原理

深度學習是從數據中學習表示的一種新方法，強調從連續的層(layer)中進行學習，這些層對應于越來越有意義的表示。 “深度學習”中的“深度”指的並不是利用這種方法所獲取的更深層次的理解，而是指一系列連續的表示層深度。數據模型中包含多少層，被稱爲模型的深度(depth)。

深度學習與其他機器學習和人工智能技術的不同之處在於它涉及的手工設計非常少。深度學習使用神經網絡，可以解決大多數機器學習問題，而無需通過您之前的特定領域的特徵工程。當您爲神經網絡提供一組示例(例如人物圖像)時，它自己可以找到這些圖像之間的共同特徵。當您將多個神經網絡層堆疊在一起時，它可以從找到簡單的特徵(如邊緣和輪廓)到更復雜的特徵(如眼睛，鼻子，耳朵，面部和身體)。

分層神經網絡可以以分層方式從圖像中提取不同的特徵（來源：www.deeplearningbook.o

在創建深度學習程序時，開發人員會配置層數和將每層輸出連接到下一層輸入的函數類型。接下來，他們通過提供大量帶註釋的示例來訓練模型。深度學習程序將通過其分層神經網絡運行這些示例數據，並調整神經網絡的每個層中的變量（或神經元或激活）的權重以便能夠檢測到定義具有相似標籤的圖像的常見模式。通過足夠的訓練，神經網絡可以自己進行微調，並且能夠根據從示例中獲得的知識對未標記的圖像進行分類判斷。

深度學習大概原理圖，通過不斷地調節“權重”參數使損失值越來越小

深度學習在視覺和聽覺等感知問題上取得了令人矚目的成果，而這些問題所涉及的技術，在人類看來是非常自然、非常直觀的，但長期以來卻一直是機器難以解決的。

科學家和工程師們仍然在探索深度學習能力的邊界。他們們已經開始將其應用於機器感知和自然語言理解之外的各種問題，比如形式推理。如果能夠成功的話，這可能預示着深度學習將能夠協助人類進行科學研究、軟件開發等活動。

AI：“不要迷戀哥，俺只是個傳說！也曾兩度被“甩”過！”

雖然深度學習近年來取得了令人矚目的成就，大放異彩，但人們對它在未來十年間能夠取得的成就似乎期望過高。雖然一些改變世界的應用（比如自動駕駛汽車）已經觸手可及，但更多的應用可能在長時間內仍然難以實現，比如可信的對話系統、達到人類水平的跨任意語言的機器 翻譯、 達到人類水平的自然語言理解。我們尤其不應該把達到人類水平的通用智能(human-level general intelligence)的討論太當回事。

在早期的那些年裏，人們激動地預測着人工智能的未來。馬文 • 閔斯基是符號主義人工智能方法最有名的先驅和支持者之一，他在 1967 年宣稱： “在一代人的時間內......將基本解決創造‘人工智能’的問題。 ”三年後的 1970 年，他做出了更爲精確的定量預測： “在三到八年的時間裏，我們將擁有一臺具有人類平均智能的機器。 ” 即使在在現在，這個目標看起來仍然十分遙遠，遙遠到我們無法預測需要多長時間才能實現。但在20世紀60年代和70年代初，一些專家卻相信這一目標近在咫尺。幾年之後，由於這些過高的期望未能實現，研究人員和政府資金均轉向其他領域， 這標誌着第一次“人工智能冬天”的開始。

然而，這並不是人工智能的最後一個“冬天”。20 世紀 80 年代，一種新的符號主義人工智能——專家系統(expert system)——開始在大公司中受到追捧。最初的幾個成功案例引發了一輪投資熱潮，進而全球企業都開始設立人工智能部門來開發專家系統。1985 年前後，各家公司每年在這項技術上的花費超過 10 億美元。但到了 20 世紀 90 年代初，這些系統的維護費用變得很高，難以擴展，並且應用範圍有限，人們逐漸對其失去興趣。於是開始了第二次人工智能“冬天”。

我們可能正在見證人工智能炒作與讓人失望的第三次循環，而且我們仍處於極度樂觀的階段。最好的做法是降低我們的短期期望，確保對這一技術領域不太瞭解的人能夠清楚地知道深度學習能做什麼、不能做什麼。

深度學習的應用

深度學習目前已進入許多不同領域。以下是列舉了深度學習的一些熱門應用：

• 自動駕駛汽車：爲了在沒有駕駛員的情況下駕駛，自動駕駛汽車需要能夠理解周圍環境。深度學習算法從安裝在汽車周圍的攝像機攝取視頻信號，並檢測路牌，交通信號燈，其他汽車和行人。深度學習是無人駕駛汽車的主要組成部分之一（但不是唯一的）。
• 面部識別：面部識別目前用於許多不同的領域，例如解鎖iPhone，付款和查找罪犯。以前的技術迭代需要大量的手動工作，並且不太可靠。通過深度學習，面部識別系統僅需要查看一個人的幾個圖像，並且能夠以實時和準確的方式實時檢測該人的面部照片和視頻。基於人工智能的面部識別目前處於道德辯論的中心，因爲它具有潛在的險惡用途。
• 語音識別和轉錄：訓練有素的深度學習模型可以將音頻流轉換爲書面文本，並且比以前的任何轉錄技術都更加準確。深度學習使智能揚聲器能夠解析用戶提供的語音命令。除了抄寫文本之外，深度學習還可以幫助區分不同人的聲音並確定誰在說話。
• 機器翻譯：在深度學習之前，自動翻譯系統的質量非常有限，並且很難開發，需要爲每種語言對單獨進行。近年來，谷歌等科技巨頭一直在使用深度學習來提高機器翻譯系統的質量。深度學習對人類語言的理解是有限的，但它在簡單的翻譯中表現得非常好。
• 醫學成像：深度學習模型可以幫助醫生自動化分析X射線和MRI掃描，發現症狀和診斷疾病的過程。深度學習不會取代放射科醫師，但肯定會幫助他們在工作中變得更好。

AI未來應用暢想

深度學習的侷限

優步人工智能的前負責人、紐約大學教授加里·馬庫斯，在他的深度論文《深度學習：批判性評價 》中，詳細介紹了深度學習的侷限性和挑戰，總結爲以下幾點。 ：

• 深度學習需要大量數據。與人類不同，他們可以根據有限和不完整的數據學習概念並做出可靠的決策，深度學習模型通常只能與他們接受培訓的數據的質量和數量一樣好。這在標註數據不可用的領域中構成限制。
• 深度學習模型很淺：深度學習和神經網絡在訓練之外的領域應用知識的能力非常有限，並且當他們在訓練過的狹窄領域之外使用時，他們可能以驚人和危險的方式失敗。
• 深度學習是不透明的：與其他機器學習模型不同，深度學習涉及非常少的自上而下的人類設計。它們也非常複雜，涉及數千和數百萬個參數。這使得很難解釋他們的輸出和他們決定背後的原因。由於它們的不透明性，神經網絡被描述爲黑盒子。這個問題引發了一系列努力和研究，以創建可解釋的人工智能。

深度學習和神經網絡通常與人類智能進行比較。但是，雖然深度學習可以執行一些與人類相同或更好的複雜任務，但它的工作方式與人類思維有着根本不同，它在常識和抽象決策中特別受到限制。

人工智能的未來

雖然我們對人工智能的短期期望可能不切實際，但長遠來看前景是光明的。深度學習的大多數研究成果尚未得到應用，至少尚未應用到它在各行各業中能夠解決的所有問題上。你的醫生和會計師都還沒有使用人工智能，你在日常生活中可能也不會用到人工智能。當然，你可以向智能手機提出簡單的問題並得到合理的回答，還可以在谷歌相冊（Google Photos）網站搜索“生日” 並立刻找到上個月你朋友或家人生日聚會的照片。與過去相比，這些技術已大不相同，但這些工具仍然只是日常生活的陪襯。

人工智能仍需進一步轉變爲我們工作、思考和生活的核心。 眼下，我們似乎很難相信人工智能會對世界產生巨大影響，因爲它還沒有被廣泛地部署應用——正如 1995 年，我們也難以相信互聯網在未來會產生的影響。當時，大多數人都沒有認識到互聯網與他們的關係，以及互聯網將如何改變他們的生活。今天的深度學習和人工智能也是如此。但不要懷疑：人工智能即將到來。

在不遠的未來，人工智能將會成爲你的助手，甚至成爲你的朋友。它會回答你的問題，幫助你教育孩子，並關注你的健康。它還會將生活用品送到你家門口，並開車將你從 A 地送到 B 地。它還會是你與日益複雜的、 信息密集的世界之間的接口。更爲重要的是，人工智能將會幫助科學家在所有科學領域（從基因學到數學）取得突破性進展，從而幫助人類整體向前發展。

--正文完--

【科技生活範：在生活中瞭解科技，用科技方便生活！】

感謝支持，歡迎關注，更多內容在未來和你分享！：）

最後，不妨在下面的問題中投下票吧？！

PS: 本人深度學習先導片文章《什麼是深度學習》