漫画版：什么是深度学习？

Google 如何在短短几秒钟内将整个网页翻译成不同的语言，或者你的手机图库如何根据它们的位置对图片进行分组? 这些都是深度学习的结果。

但什么是深度学习呢？

深度学习是机器学习的一个子集，而机器学习又是人工智能的一个子集。

人工智能是一种使机器能够模仿人类行为的技术，机器学习是一种通过使用数据训练的算法来实现 AI 的技术，最后深度学习是一种受人脑结构（生物神经网络）启发的机器学习。这种结构在深度学习领域称为人工神经网络。

让我们来更好地理解深度学习，以及它与机器学习的区别。

假设我们有一个可以区分西红柿和樱桃的机器，如果使用机器学习完成，则必须告诉机器可以区分两者的特征。这些特征可能是大小（Size）和茎的类别（Type of Stem）。

如果使用深度学习，神经网络可以提取特征，而不需要人工干预。

当然，这种特性需要拥有大量的数据来训练我们的机器。现在让我们来深入研究神经网络的工作原理。

原理

在这里，我们有三个学生，他们每人在一张纸上写下数字 9, 但他们写的并不完全一样。人类的大脑可以很容易地识别数字，但是计算机如何识别它们？ 使用深度学习可以实现。

每个数字以 28x28 像素的图像形式显示，总计 784 像素。

这是一个经过训练可识别手写数字的神经网络，神经元是神经网络中最基本的的核心实体，是进行信息处理的地方，784 个像素中的每个像素都被送到神经网络第一层的神经元，这形成了输入层，输入层仅接受输入，不进行函数处理。

另一端是输出层，输入层与输出层之间的一层神经元称为隐含层。隐含层与输出层的神经元都是拥有激活函数的功能神经元。

输入层神经元接收到 784 个输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值（每个神经元都有一个阈值称为偏差 Bias）进行比较，然后通过激活函数（Activation Function）处理以产生神经元的输出，激活函数的结果决定了神经元是否被激活。

神经网络的学习过程，就是根据训练数据来调整神经元之间的“连接权”（connection weight）以及每个功能神经元的阈值。换言之，神经网络学到的东西，蕴含在连接权与阈值中。

应用

那么深度学习有哪些应用呢？

在客服行业：当大多数人与客服代理交谈时，交谈看起来是那么真实，他们甚至没有意识到这实际上是个机器人。

在医疗行业，神经网络可检测癌细胞并分析 MRI 图像以提供详细结果。

像科幻小说一样的自动驾驶汽车现在已经成为现实。苹果、特斯拉和日产一些公司在研发自动驾驶汽车。

局限性

深度学习的范围很广，但也面临着一些局限性。

数据量

第一个局限性便是数据。虽然深度学习是处理非结构化数据的最有效方法，但神经网络需要大量的数据来训练。

计算能力

假设我们拥有大量的样本数据，但并不是每台机器都有处理这些数据的能力，这给我们带来了第二个限制：计算能力。通常简称“算力”。

训练神经网络需要成千上万的图形处理单元。与 CPU 相比，GPU 当然更贵。

训练时间

最后就是训练时间，深度神经网络需要几个小时甚至几个月的训练，时间随着网络中数据量和层数的增加而增加。

深度学习框架

一些流行的深度学习框架，包括 Tensorflow、Pytorch、Caffe、DL4J 和 Microsoft cognitive toolkit。

未来

我们对深度学习和人工智能在未来的应用只看到了表面，未来会充满惊喜。

Horse 技术正在为盲人开发一种使用深度学习的设备，用计算机视觉向用户描述世界，整体复制人类的思维。

小测验
所以给你一个小测验， 神经网络的正确工作顺序排序：

• A. The bias is added 加偏差
• B. The weighted sum of the inputs is calculated 计算输入的加权和
• C. Specific neuron is activated 特异性神经元被激活
• D. The result is fed to an activation function 结果被输入到激活函数

答案：

B、 计算输入的加权和
A、 加偏差
D、 结果被输入到激活函数
C、 特异性神经元被激活
说明：在神经网络中，一层中的每个神经元都与相应层中的其他神经元相连。这些连接具有随机权重。计算输入的加权和，并以偏置形式添加一个附加输入（w * x + b）。其结果被输入到激活函数。基于特定的阈值，只有那些超过阈值的神经元才会被激活。

本文转载自网络，原文链接：https://www.toutiao.com/a6849978273619771907/
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！