人工智能最近引起了非常多的關(guān)注，深度學(xué)習(xí)和機器學(xué)習(xí)作為人工智能實現(xiàn)的技術(shù)的得到了充分的關(guān)注，在計算機視覺和自然語言處理等領(lǐng)域產(chǎn)生了巨大的影響，深度學(xué)習(xí)是無人駕駛汽車的關(guān)鍵技術(shù)。

深度學(xué)習(xí)是什么?

在深度學(xué)習(xí)中，計算機模型學(xué)習(xí)直接從圖像、文本或聲音中執(zhí)行分類任務(wù)。深度學(xué)習(xí)模式可以達到新的精確度，有時甚至超過人類的表現(xiàn)。大多數(shù)深度學(xué)習(xí)方法使用神經(jīng)網(wǎng)絡(luò)的架構(gòu)，這也是深度學(xué)習(xí)模型通常被稱為深度神經(jīng)網(wǎng)絡(luò)的原因。

所謂深通常是指神經(jīng)網(wǎng)絡(luò)中隱藏層的數(shù)量，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)只包含2-3個隱藏層，而深度神經(jīng)網(wǎng)絡(luò)最多可以有150個。深度神經(jīng)網(wǎng)絡(luò)最受歡迎的類型之一是卷積神經(jīng)網(wǎng)絡(luò)(CNN或ConvNet)，CNN通過輸入數(shù)據(jù)來卷積學(xué)習(xí)特征，并通過2D卷積圖層，使得這種架構(gòu)非常適合處理2D數(shù)據(jù)。

以一張圖片為例，一個訓(xùn)練有素的深度學(xué)習(xí)模型能夠自動識別圖片中的物體，盡管它以前從未見過這些精確的圖片。在某些網(wǎng)站中識別上傳的照片中特定的人物等就是深度學(xué)習(xí)在發(fā)揮功能，今天在深度學(xué)習(xí)中應(yīng)用的很多技術(shù)已經(jīng)在業(yè)界使用了十多年，已經(jīng)比較成熟。

為什么深度學(xué)習(xí)近來人氣大增?

最主要的原因是準(zhǔn)確性，深度學(xué)習(xí)模式可以達到前所未有的精確度，有時甚至超過人類的表現(xiàn)。此外，還有另外兩個因素使該技術(shù)得到了業(yè)界的關(guān)注：

• 深度學(xué)習(xí)需要大量的標(biāo)記數(shù)據(jù)。如，無人駕駛汽車的發(fā)展需要以數(shù)百萬計的圖像和數(shù)千小時的視頻為基礎(chǔ)，這些大量的標(biāo)記數(shù)據(jù)現(xiàn)在已經(jīng)可以輕松獲得。
• 深度學(xué)習(xí)需要大量的計算能力。高性能的GPU具有高效深度學(xué)習(xí)的并行架構(gòu)，與集群或云計算結(jié)合使用時，開發(fā)團隊可以將深度學(xué)習(xí)網(wǎng)絡(luò)的培訓(xùn)時間從幾周縮短到幾個小時甚至更短。

機器學(xué)習(xí)和深度學(xué)習(xí)的差異

深度學(xué)習(xí)和機器學(xué)習(xí)都提供了訓(xùn)練模型和分類數(shù)據(jù)的方法，那么這兩者到底有什么區(qū)別?

使用標(biāo)準(zhǔn)的機器學(xué)習(xí)的方法，我們需要手動選擇圖像的相關(guān)特征，以訓(xùn)練機器學(xué)習(xí)模型。然后，模型在對新對象進行分析和分類時引用這些特征。

通過深度學(xué)習(xí)的工作流程，可以從圖像中自動提取相關(guān)功能。另外，深度學(xué)習(xí)是一種端到端的學(xué)習(xí)，網(wǎng)絡(luò)被賦予原始數(shù)據(jù)和分類等任務(wù)，并且可以自動完成。

另一個關(guān)鍵的區(qū)別是深度學(xué)習(xí)算法與數(shù)據(jù)縮放，而淺層學(xué)習(xí)數(shù)據(jù)收斂。淺層學(xué)習(xí)指的是當(dāng)用戶向網(wǎng)絡(luò)中添加更多示例和訓(xùn)練數(shù)據(jù)時，機器學(xué)習(xí)的方式能夠在特定性能水平上達到平臺級。

如果需要在深度學(xué)習(xí)和機器學(xué)習(xí)之間作出抉擇，用戶需要明確是否具有高性能的GPU和大量的標(biāo)記數(shù)據(jù)。如果用戶沒有高性能GPU和標(biāo)記數(shù)據(jù)，那么機器學(xué)習(xí)比深度學(xué)習(xí)更具優(yōu)勢。這是因為深度學(xué)習(xí)通常比較復(fù)雜，就圖像而言可能需要幾千張圖才能獲得可靠的結(jié)果。高性能的GPU能夠幫助用戶，在建模上花更少的時間來分析所有的圖像。

如果用戶選擇機器學(xué)習(xí)，可以選擇在多種不同的分類器上訓(xùn)練模型，也能知道哪些功能可以提取出最好的結(jié)果。此外，通過機器學(xué)習(xí)，我們可以靈活地選擇多種方式的組合，使用不同的分類器和功能來查看哪種排列最適合數(shù)據(jù)。

所以，一般來說，深度學(xué)習(xí)的計算量更大，而機器學(xué)習(xí)技術(shù)通常更易于使用。

深度學(xué)習(xí)的實際應(yīng)用

深度學(xué)習(xí)應(yīng)用程序的應(yīng)用涵蓋了自動駕駛、醫(yī)療設(shè)備等行業(yè)。

• 自動駕駛：汽車研究人員正在使用深度學(xué)習(xí)來自動檢測停車標(biāo)志和交通信號燈等物體，此外，深度學(xué)習(xí)也被用來檢測行人，有助于減少事故。
• 工業(yè)自動化：深度學(xué)習(xí)通過自動檢測人員或物體何時處于機器不安全的距離，幫助改善重型機械周圍的工人安全
• Electronics：深度學(xué)習(xí)被用于自動化聽覺和語音翻譯

對于非專業(yè)人士來說，深度學(xué)習(xí)似乎無法實現(xiàn)，但是通過探索通用的深度學(xué)習(xí)工作流程，工程師和科學(xué)家現(xiàn)在可以快速、輕松地將深度學(xué)習(xí)應(yīng)用到他們的應(yīng)用程序中。

隨著深度學(xué)習(xí)逐漸向業(yè)界滲透，我們將會看到在計算機視覺、自然語言處理和機器人等領(lǐng)域被認(rèn)為是不可能的應(yīng)用將會出現(xiàn)創(chuàng)新和進化。