Google 如何在短短幾秒鐘內(nèi)將整個(gè)網(wǎng)頁翻譯成不同的語言，或者你的手機(jī)圖庫如何根據(jù)它們的位置對(duì)圖片進(jìn)行分組? 這些都是深度學(xué)習(xí)的結(jié)果。

但什么是深度學(xué)習(xí)呢？

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，而機(jī)器學(xué)習(xí)又是人工智能的一個(gè)子集。

人工智能是一種使機(jī)器能夠模仿人類行為的技術(shù)，機(jī)器學(xué)習(xí)是一種通過使用數(shù)據(jù)訓(xùn)練的算法來實(shí)現(xiàn) AI 的技術(shù)，最后深度學(xué)習(xí)是一種受人腦結(jié)構(gòu)（生物神經(jīng)網(wǎng)絡(luò)）啟發(fā)的機(jī)器學(xué)習(xí)。這種結(jié)構(gòu)在深度學(xué)習(xí)領(lǐng)域稱為人工神經(jīng)網(wǎng)絡(luò)。

讓我們來更好地理解深度學(xué)習(xí)，以及它與機(jī)器學(xué)習(xí)的區(qū)別。

假設(shè)我們有一個(gè)可以區(qū)分西紅柿和櫻桃的機(jī)器，如果使用機(jī)器學(xué)習(xí)完成，則必須告訴機(jī)器可以區(qū)分兩者的特征。這些特征可能是大小（Size）和莖的類別（Type of Stem）。

如果使用深度學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可以提取特征，而不需要人工干預(yù)。

當(dāng)然，這種特性需要擁有大量的數(shù)據(jù)來訓(xùn)練我們的機(jī)器。現(xiàn)在讓我們來深入研究神經(jīng)網(wǎng)絡(luò)的工作原理。

原理

在這里，我們有三個(gè)學(xué)生，他們每人在一張紙上寫下數(shù)字 9, 但他們寫的并不完全一樣。人類的大腦可以很容易地識(shí)別數(shù)字，但是計(jì)算機(jī)如何識(shí)別它們？ 使用深度學(xué)習(xí)可以實(shí)現(xiàn)。

每個(gè)數(shù)字以 28x28 像素的圖像形式顯示，總計(jì) 784 像素。

這是一個(gè)經(jīng)過訓(xùn)練可識(shí)別手寫數(shù)字的神經(jīng)網(wǎng)絡(luò)，神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中最基本的的核心實(shí)體，是進(jìn)行信息處理的地方，784 個(gè)像素中的每個(gè)像素都被送到神經(jīng)網(wǎng)絡(luò)第一層的神經(jīng)元，這形成了輸入層，輸入層僅接受輸入，不進(jìn)行函數(shù)處理。

另一端是輸出層，輸入層與輸出層之間的一層神經(jīng)元稱為隱含層。隱含層與輸出層的神經(jīng)元都是擁有激活函數(shù)的功能神經(jīng)元。

輸入層神經(jīng)元接收到 784 個(gè)輸入信號(hào)，這些輸入信號(hào)通過帶權(quán)重的連接進(jìn)行傳遞，神經(jīng)元接收到的總輸入值將與神經(jīng)元的閾值（每個(gè)神經(jīng)元都有一個(gè)閾值稱為偏差 Bias）進(jìn)行比較，然后通過激活函數(shù)（Activation Function）處理以產(chǎn)生神經(jīng)元的輸出，激活函數(shù)的結(jié)果決定了神經(jīng)元是否被激活。

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)元之間的“連接權(quán)”（connection weight）以及每個(gè)功能神經(jīng)元的閾值。換言之，神經(jīng)網(wǎng)絡(luò)學(xué)到的東西，蘊(yùn)含在連接權(quán)與閾值中。

應(yīng)用

那么深度學(xué)習(xí)有哪些應(yīng)用呢？

在客服行業(yè)：當(dāng)大多數(shù)人與客服代理交談時(shí)，交談看起來是那么真實(shí)，他們甚至沒有意識(shí)到這實(shí)際上是個(gè)機(jī)器人。

在醫(yī)療行業(yè)，神經(jīng)網(wǎng)絡(luò)可檢測(cè)癌細(xì)胞并分析 MRI 圖像以提供詳細(xì)結(jié)果。

像科幻小說一樣的自動(dòng)駕駛汽車現(xiàn)在已經(jīng)成為現(xiàn)實(shí)。蘋果、特斯拉和日產(chǎn)一些公司在研發(fā)自動(dòng)駕駛汽車。

局限性

深度學(xué)習(xí)的范圍很廣，但也面臨著一些局限性。

數(shù)據(jù)量

第一個(gè)局限性便是數(shù)據(jù)。雖然深度學(xué)習(xí)是處理非結(jié)構(gòu)化數(shù)據(jù)的最有效方法，但神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)來訓(xùn)練。

計(jì)算能力

假設(shè)我們擁有大量的樣本數(shù)據(jù)，但并不是每臺(tái)機(jī)器都有處理這些數(shù)據(jù)的能力，這給我們帶來了第二個(gè)限制：計(jì)算能力。通常簡(jiǎn)稱“算力”。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要成千上萬的圖形處理單元。與 CPU 相比，GPU 當(dāng)然更貴。

訓(xùn)練時(shí)間

最后就是訓(xùn)練時(shí)間，深度神經(jīng)網(wǎng)絡(luò)需要幾個(gè)小時(shí)甚至幾個(gè)月的訓(xùn)練，時(shí)間隨著網(wǎng)絡(luò)中數(shù)據(jù)量和層數(shù)的增加而增加。

深度學(xué)習(xí)框架

一些流行的深度學(xué)習(xí)框架，包括 Tensorflow、Pytorch、Caffe、DL4J 和 Microsoft cognitive toolkit。

未來

我們對(duì)深度學(xué)習(xí)和人工智能在未來的應(yīng)用只看到了表面，未來會(huì)充滿驚喜。

Horse 技術(shù)正在為盲人開發(fā)一種使用深度學(xué)習(xí)的設(shè)備，用計(jì)算機(jī)視覺向用戶描述世界，整體復(fù)制人類的思維。

小測(cè)驗(yàn)
所以給你一個(gè)小測(cè)驗(yàn)， 神經(jīng)網(wǎng)絡(luò)的正確工作順序排序：

• A. The bias is added 加偏差
• B. The weighted sum of the inputs is calculated 計(jì)算輸入的加權(quán)和
• C. Specific neuron is activated 特異性神經(jīng)元被激活
• D. The result is fed to an activation function 結(jié)果被輸入到激活函數(shù)

答案：

B、 計(jì)算輸入的加權(quán)和
A、 加偏差
D、 結(jié)果被輸入到激活函數(shù)
C、 特異性神經(jīng)元被激活
說明：在神經(jīng)網(wǎng)絡(luò)中，一層中的每個(gè)神經(jīng)元都與相應(yīng)層中的其他神經(jīng)元相連。這些連接具有隨機(jī)權(quán)重。計(jì)算輸入的加權(quán)和，并以偏置形式添加一個(gè)附加輸入（w * x + b）。其結(jié)果被輸入到激活函數(shù)?；谔囟ǖ拈撝?，只有那些超過閾值的神經(jīng)元才會(huì)被激活。