https://m.toutiao.com/is/BoopeVY/?= 

一、深度學(xué)習(xí)的定義

深度學(xué)習(xí)（Deep Learning），簡稱：DL，是一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。

人工智能（AI）的概念是在1955 年提出的；機(jī)器學(xué)習(xí)（ML）概念是在1990 年提出的；而深度學(xué)習(xí)（DL）概念是在 2010 年提出的。

深度學(xué)習(xí)包含于機(jī)器學(xué)習(xí)，而機(jī)器學(xué)習(xí)又包含于人工智能。也就是說，深度學(xué)習(xí)包含于人工智能。

人工智能是目的，是結(jié)果；深度學(xué)習(xí)、機(jī)器學(xué)習(xí)是方法，是工具。

深度學(xué)習(xí)的定義：

“一種機(jī)器學(xué)習(xí)的形式，使計(jì)算機(jī)能夠從經(jīng)驗(yàn)中學(xué)習(xí)并以概念層次結(jié)構(gòu)的方式理解世界?！保℅oodfellow 等，麻省理工學(xué)院出版社，Deep Learning）

二、深度學(xué)習(xí)的技術(shù)原理

深度學(xué)習(xí)的概念就源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

神經(jīng)網(wǎng)絡(luò)是一組粗略模仿人類大腦，用于模式識別的算法。神經(jīng)網(wǎng)絡(luò)這個(gè)術(shù)語來源于這些系統(tǒng)架構(gòu)設(shè)計(jì)背后的靈感，這些系統(tǒng)是用于模擬生物大腦自身神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，以便計(jì)算機(jī)能夠執(zhí)行特定的任務(wù)。

普通的神經(jīng)網(wǎng)絡(luò)可能只有幾層，深度學(xué)習(xí)可以達(dá)到十幾層。深度學(xué)習(xí)中的深度二字也代表了神經(jīng)網(wǎng)絡(luò)的層數(shù)?，F(xiàn)在流行的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)有'CNN(卷積神經(jīng)網(wǎng)絡(luò))、RNN(循環(huán)神經(jīng)網(wǎng)絡(luò))、DNN(深度神經(jīng)網(wǎng)絡(luò))的等。現(xiàn)在流行的深度學(xué)習(xí)框架有MXnet,tensorflow,caffe等，而在這些框架之上(或許不太準(zhǔn)確)，還有PyTorch，Keras等。

神經(jīng)元分為三種不同類型的層次：

輸入層接收輸入數(shù)據(jù)。

隱藏層對輸入數(shù)據(jù)進(jìn)行數(shù)學(xué)計(jì)算。

人工神經(jīng)網(wǎng)絡(luò)的輸出層是神經(jīng)元的最后一層，主要作用是為此程序產(chǎn)生給定的輸出。

從X1/X2/X3輸入到輸出的過程，定義了一個(gè)層次的概念，譬如上圖就包括四層，包含最左邊的輸入層，和最右邊的輸出層。如果這是一道選擇題的話，那么題目就是輸入層，而ABCD的選擇結(jié)果就是輸出層，如上圖的L1和L2分別是輸入層和輸出層。

而選擇題解題的過程是不寫出來的，我們叫做”隱藏層“，這里L(fēng)2和L3就是隱藏層，題目越難，給出的信息可能是越多的，而解題所需要的過程就越復(fù)雜的，也就可能需要更多的”隱藏層“來計(jì)算最終的結(jié)果。

最終要來解釋什么是深度學(xué)習(xí)的”深度“了，就是從”輸入層“到”輸出層“所經(jīng)歷層次的數(shù)目，即”隱藏層“的層數(shù)，層數(shù)越多，板凳的深度也越深。所以越是復(fù)雜的選擇問題，越需要深度的層次多。例如，AlphaGo的策略網(wǎng)絡(luò)是13層，每一層的神經(jīng)元數(shù)量為192個(gè)。

總結(jié)一句話，深度學(xué)習(xí)就是用多層次的分析和計(jì)算手段，得到結(jié)果的一種方法。深度學(xué)習(xí)是用于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機(jī)制來解釋數(shù)據(jù)的一種機(jī)器學(xué)習(xí)技術(shù)。

三、深度學(xué)習(xí)的優(yōu)缺點(diǎn)及應(yīng)用

基于深度神經(jīng)網(wǎng)絡(luò)的端到端學(xué)習(xí)在最近幾年取得很大的成功，被大量應(yīng)用與計(jì)算機(jī)視覺、語音識別、自然語音處理、醫(yī)學(xué)圖像處理等領(lǐng)域中。

• 優(yōu)點(diǎn)：深度學(xué)習(xí)能讓計(jì)算機(jī)自動學(xué)習(xí)出模式特征，并將特征學(xué)習(xí)的特征融入到建模的過程中，從而減少了人為設(shè)計(jì)特征造成的不完備性。而目前有些深度學(xué)習(xí)，已經(jīng)達(dá)到了超越現(xiàn)有算法的識別或分類性能。
• 缺點(diǎn)：需要大數(shù)據(jù)支撐，才能達(dá)到高精度。由于深度學(xué)習(xí)中圖模型比較復(fù)雜，導(dǎo)致算法的時(shí)間復(fù)雜度急劇提升，需要更好的硬件支持。因此，只有一些經(jīng)濟(jì)實(shí)力比較強(qiáng)大的科研機(jī)構(gòu)或企業(yè)，才能夠用深度學(xué)習(xí)來做一些前沿而實(shí)用的應(yīng)用。

現(xiàn)在，經(jīng)過深度學(xué)習(xí)訓(xùn)練的圖像識別，在一些場景中甚至可以比人做得更好：從識別貓，到辨別血液中癌癥的早期成分，到識別核磁共振成像中的腫瘤。

很多大牛和公司都在深度學(xué)習(xí)領(lǐng)域探索，并取得了非常多不錯的成果。比如Google通過YouTube上的視頻訓(xùn)練出了“貓”，微軟借助對語言的學(xué)習(xí)在skype上實(shí)現(xiàn)了自動語言翻譯器，每年ImageNet上也有很多成果。

在國內(nèi)，深度學(xué)習(xí)也有了落地性的行業(yè)應(yīng)用：

語音識別技術(shù)：智能音箱等產(chǎn)品。

圖像識別技術(shù)：面部識別，人臉識別，刷臉解鎖、支付等。

自動駕駛技術(shù)：百度等公司開發(fā)的自動駕駛技術(shù)。

金融領(lǐng)域的如：預(yù)測股價(jià)、醫(yī)療領(lǐng)域的疾病監(jiān)測，教育領(lǐng)域的技術(shù)賦能等。

四、深度學(xué)習(xí)如何入門？

在進(jìn)行深度學(xué)習(xí)前，你需要了解以下知識：數(shù)學(xué)：概率、導(dǎo)數(shù)、線性代數(shù)等。

統(tǒng)計(jì)：統(tǒng)計(jì)的基礎(chǔ)知識是進(jìn)行任何機(jī)器學(xué)習(xí)問題所必需的。

工具：具有一定程度的編碼技巧。

機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)是深度學(xué)習(xí)的基礎(chǔ)。

在學(xué)習(xí)深度學(xué)習(xí)前，一定要理解機(jī)器學(xué)習(xí)的概念。

在語言的選擇上，Python具有強(qiáng)大的機(jī)器學(xué)習(xí)生態(tài)系統(tǒng)，該系統(tǒng)由開發(fā)人員和編碼人員組成，他們?yōu)閜ython用戶提供開源庫和技術(shù)支持。這使開發(fā)人員為各種算法編寫復(fù)雜代碼的任務(wù)變得更加容易，并且更易于實(shí)施和實(shí)驗(yàn)。

另外，Python是一種可用于開發(fā)和實(shí)現(xiàn)的通用編程語言。這極大地簡化了從開發(fā)到實(shí)現(xiàn)的過渡。也就是說，一個(gè)可以預(yù)測機(jī)票價(jià)格的深度學(xué)習(xí)模型不僅可以用python開發(fā)，還可以用同樣的形式附在網(wǎng)站上。

建議初學(xué)者使用像Keras這樣的高級庫，對算法中隱藏的不必要信息進(jìn)行抽象，并允許訪問可以調(diào)整的參數(shù)，使實(shí)驗(yàn)簡化且提高模型性能。

在R、Julia、C ++和Java等深度學(xué)習(xí)領(lǐng)域，除了Python之外，還有其他的語言。你也可以關(guān)注TensorFlow、Pytorch、Caffe2、DL4J等的發(fā)展，將他們作為庫的替代品。

如果不熟悉編程，還有一些基于GUI的軟件，不需要編碼，就可以構(gòu)建深度學(xué)習(xí)模型，如Lobe或Google的AutoML等。

近年來，深度學(xué)習(xí)已經(jīng)取得了很大的進(jìn)步，但仍有很大的潛力。在不久的將來，深度學(xué)習(xí)將成為每個(gè)數(shù)據(jù)科學(xué)實(shí)踐者所需的技能。