深度學習這是當今的熱門話題，堅定地投入到人工智慧，大資料和分析等領域的廣泛行業。目前，Google正在使用語音和影象識別演算法深度學習，而Netflix和Amazon正在使用它來了解客戶的行為。事實上，你不會相信，但是麻省理工學院的研究人員正在試圖用深度學習來預測未來。現在，想象一下，革命化的世界和我們的工作方式，潛在的深入學習有多少。在談論深度學習突破之前，人們必須瞭解它與機器學習和人工智慧的關係。瞭解這種關係的最簡單的方法是通過下面的圖表：

什麼

是深度學習 - AI技術時間表

在這裡，您可以看到機器學習是AI的一個子集。這意味著我們可以建立基於自己提供的資料集來學習的智慧機器。此外，您將注意到，深度學習是機器學習的一個子集，其中使用類似的機器學習演算法訓練深層神經網路，以便在前者不符合標準的情況下獲得更好的準確性。下面幾個點是本文即將討論的主題：

· 人工智慧

· 機器學習

· 深度學習的缺點

· 什麼是深度學習？

· 深度學習應用

機器

學習：邁向人工智慧的一步

AI的術語由John McCarthy於1956年創立，他也被稱為人工智慧之父。AI背後的想法相當簡單且迷人，那就是使智慧機器能夠自行決定。你可能認為它是一個科學幻想，但是對於技術和計算能力的最新發展，這個想法似乎越來越接近現實。

現在，您熟悉AI，讓我們簡單介紹一下機器學習，並瞭解當我們說程式設計機器學習時，它意味著什麼。讓我們開始一個非常有名的機器學習定義：

“計算機程式據說從經驗E中學習一些任務T和一些績效指標P，如果其在T上的表現，由P測量，則隨經驗E而改善。”——卡內基梅隆大學Tom Mitchell

所以，如果你想讓你的程式預測一個繁忙的十字路口（任務T）的流量模式，你可以通過一個機器學習演算法來執行它，並提供有關過去流量模式（經驗E）的資料。現在，預測的準確性（效能測量P）將取決於程式是否已經從資料集中成功學習（經驗E）的事實。

基本上，機器學習被稱為一種人工智慧（AI），它通過將計算機暴露給大量的資料來提供計算機學習的能力，而無需通過顯式程式設計。機器學習的核心原則是從資料集中學習，並嘗試最小化錯誤或最大限度地發揮其預測的可能性。

機器

學習的缺點

§ 傳統的深度學習演算法在使用高維資料時是無用的，那就是我們有大量的輸入和輸出。例如，在手寫識別的情況下，我們具有大量的輸入，我們將具有與不同型別的筆跡相關聯的不同型別的輸入。

§ 第二個主要挑戰是告訴電腦，它應該尋找哪些功能，這將在預測結果中發揮重要作用，並在這樣做時獲得更好的準確性。這個過程被稱為 特徵提取。

將原始資料提供給演算法很少有效，這就是為什麼特徵提取是傳統機器學習工作流程的關鍵部分。因此，在沒有特徵提取的情況下，程式設計師的挑戰隨著演算法的有效性在很大程度上取決於程式設計師的見解。因此，將這些機器學習模型或演算法應用於諸如物件識別，手寫識別，NLP（自然語言處理）等複雜問題是非常困難的。

什麼

是深度學習

深度學習是我們克服特徵抽象提取這一挑戰的唯一方法。這是因為深入的學習模式能夠自己學習專注於正確的功能，而不需要程式設計師的指導。基本上，深度學習模仿我們大腦的功能，即從經驗中學習。如你所知，我們的大腦由數十億個神經元組成，使我們能夠做出驚人的事情。即使是一歲大孩的大腦也可以解決即使使用超級計算機也難以解決的複雜問題。例如：

· 認識到他們的父母和不同的物件的臉。
· 歧視不同的聲音，甚至可以基於他/她的聲音認出一個特定的人。
· 從其他人的面部手勢抽取推論等等。·
實際上，我們的大腦多年來一直對自己做這些事情進行了自覺的訓練。現在，問題來了，深入學習如何模仿大腦的功能？那麼，深入的學習使用人造神經元的概念，其功能與我們大腦中存在的生物神經元相似。因此，我們可以說，深度學習是機器學習的一個子領域，涉及到由大腦稱為人造神經網路的結構和功能啟發的演算法。

深度

學習應用

現在，讓我們舉個例子來了解一下。假設我們想製作一個可以識別影象中不同人物的面孔的系統。如果我們將其解決為典型的機器學習問題，我們將定義眼睛，鼻子，耳朵等面部特徵，然後系統將識別哪些特徵對於自己更重要。

現在，我們對深度學習的把握又進了一大步。深度學習會自動發現由於深層神經網路而對分類很重要的特徵，而在機器學習的情況下，我們必須手動定義這些特徵。

如上圖所示，深度的工作原理如下：

·

· 在最低層次上，網路對區域性對比模式的重視。

· 然後，以下層可以使用這些區域性對比的圖案來固定類似於眼睛，鼻子和嘴巴的東西

· 最後，頂層可以將這些面部特徵應用於面部模板。

· 深層神經網路能夠在其每個連續層中構成越來越複雜的特徵。

你有沒有想過臉書會自動標記或標記你上傳的圖片中的所有人？那麼臉書以類似於上面的例子所說的方式使用深度學習。現在，您將意識到深度學習的能力，以及如何在不太瞭解可能影響結果的所有功能的情況下，超越機器學習。因此，深度網路可以通過從包含輸入資料的資料集中推斷出機器學習的缺點，而無需適當的標註。

深度

學習的應用

在深入學習部落格的前提下，讓我們來看看深度學習的一些現實生活中的應用，以瞭解其真正的實力。

§語音識別§

所有人都會聽說過Siri，這是蘋果公司的聲控智慧助手。像其他大巨頭一樣，蘋果也開始投資深度學習，使其服務比以往任何時候都更好。

在像Siri這樣的語音識別和語音控制智慧助手領域，人們可以使用深層神經網路來開發更準確的聲學模型，目前是深入學習實現中最活躍的領域之一。簡單來說，您可以建立可以根據您學習新功能或適應自己的系統，從而通過事先預測所有可能性來提供更好的幫助。

§自動機器翻譯§

我們都知道，谷歌可以立即翻譯100種不同的人類語言，太快，就像魔術一樣。Google翻譯技術被稱為機器翻譯並且由於說話語言的差異而不能互相溝通的人的救星。現在，你會認為這個功能已經存在了很長時間了，所以這裡有什麼新鮮事？讓我告訴你，在過去兩年裡，Google藉助深度學習，全面改革了Google翻譯機器翻譯方法。事實上，幾乎不瞭解語言翻譯的深入學習研究人員提出了相對簡單的機器學習解決方案，這些解決方案正在擊敗世界上最好的專家語言翻譯系統。文字翻譯可以在沒有序列的任何預處理的情況下執行，允許演算法學習單詞之間的依賴關係及其與新語言的對映。

§即時視覺翻譯§

如你所知，深度學習用於識別具有字母和字母在場景上的影象。一旦識別，它們可以變成文字，翻譯，並使用翻譯的文字重新建立影象。這通常被稱為即時視覺翻譯。

現在，想象一下，你曾訪問過其他不知道母語的國家。那麼，沒有必要擔心，使用各種各樣的應用程式，如谷歌翻譯，你可以繼續執行即時視覺翻譯閱讀標誌或購買用另一種語言寫的板。只有深入學習才有可能。

注意：您可以繼續下載Google翻譯應用程式，並使用上述影象檢視驚人的即時視覺翻譯。§行為：自動自駕車§

Google正試圖將他們的自駕車稱為WAYMO，採用深度學習，達到全新的完美水平。因此，他們現在可以使用不同感測器提供的資料來程式設計可以自己學習的系統，而不是使用舊的手編碼演算法。深入學習現在是大多數感知任務以及許多低級別控制任務的最佳方法。因此，現在即使是不知道駕駛還是殘疾人的人，都可以繼續前行而不依賴別人。

在這裡，我只提到幾個著名的現實生活用例，深度學習被廣泛使用並顯示出有希望的結果。還有許多深入學習的應用以及尚待探索的許多領域。

喜歡小編輕輕點個關注哦！