1. 首頁 > 云知道 > >

深度學習能用來做什么,什么是深度學習

云知道

深度學習是什么？

深度學習能用來做什么,什么是深度學習


深度學習：像人腦一樣深層次地思考從上一篇我們可以看出，個性化推薦系統確實很會“察言觀色”，針對不同的用戶，主動推送不同的3D打印內容 。但如果你認為它真正有了“人工智能”，那你就錯了 。其實，這些推薦系統背后的運行原理主要基于概率統計、矩陣或圖模型，計算機對這些數值運算確實很擅長，但由于采用的只是“經驗主義”的實用方法（也即管用就行），而非以“理性主義”的原則真正探求智能產生的原理，所以距離真正的人工智能還很遠 。
AI（Artificial Intelligence），也就是人工智能，就像長生不老和星際漫游一樣，是人類最美好的夢想之一 。雖然計算機技術已經取得了長足的進步，但是到目前為止，還沒有一臺計算機能產生“自我”的意識 。提示：圖靈測試（Turing Testing），是計算機是否真正具有人工智能的試金石 ?！坝嬎銠C科學之父”及“人工智能之父”英國數學家阿蘭·圖靈（1912—1954）在1950年的一篇著名論文《機器會思考嗎？》里，提出圖靈測試的設想 。
即把一個人和一臺計算機分別隔離在兩間屋子，然后讓屋外的一個提問者對兩者進行問答測試 。如果提問者無法判斷哪邊是人，哪邊是機器，那就證明計算機已具備人的智能 。直到深度學習（Deep Learning）的出現，讓人們看到了一絲曙光，至少，（表象意義下的）圖靈測試已不再是那么遙不可及了 。2013年4月，《麻省理工學院技術評論》雜志將深度學習列為2013年十大突破性技術（Breakthrough Technology）之首 。
有了深度學習，推薦系統可以更加深度地挖掘你內心的需求，并從海量的3D模型庫中挑選出最合適的供你打印 。讓我們先來看看人類的大腦是如何工作的 。1981年的諾貝爾醫學獎，頒發給了David Hubel和Torsten Wiesel，以及Roger Sperry 。前兩位的主要貢獻是，發現了人的視覺系統的信息處理是分級的 。
【深度學習能用來做什么,什么是深度學習】如圖4-45所示，從視網膜（Retina）出發，經過低級的V1區提取邊緣特征，到V2區的基本形狀或目標的局部，再到高層的整個目標（如判定為一張人臉），以及到更高層的PFC（前額葉皮層）進行分類判斷等 。也就是說高層的特征是低層特征的組合，從低層到高層的特征表達越來越抽象和概念化，也即越來越能表現語義或者意圖 。
圖4-45人腦的視覺處理系統 （圖片來源：Simon Thorpe）這個發現激發了人們對于神經系統的進一步思考 。大腦的工作過程，或許是一個不斷迭代、不斷抽象概念化的過程，如圖4-46所示 。例如，從原始信號攝入開始（瞳孔攝入像素），接著做初步處理（大腦皮層某些細胞發現邊緣和方向），然后抽象（大腦判定眼前物體的形狀，比如是橢圓形的），然后進一步抽象（大腦進一步判定該物體是張人臉），最后識別眼前的這個人──正是大明星劉德華 。
這個過程其實和我們的常識是相吻合的，因為復雜的圖形，往往就是由一些基本結構組合而成的 。同時我們還可以看出：大腦是一個深度架構，認知過程也是深度的 。圖4-46視覺的分層處理結構 （圖片來源：Stanford）而深度學習（Deep Learning），恰恰就是通過組合低層特征形成更加抽象的高層特征（或屬性類別） 。
例如，在計算機視覺領域，深度學習算法從原始圖像去學習得到一個低層次表達，例如邊緣檢測器、小波濾波器等，然后在這些低層次表達的基礎上，通過線性或者非線性組合，來獲得一個高層次的表達 。此外，不僅圖像存在這個規律，聲音也是類似的 。比如，研究人員從某個聲音庫中通過算法自動發現了20種基本的聲音結構，其余的聲音都可以由這20種基本結構來合成！在進一步闡述深度學習之前，我們需要了解什么是機器學習（Machine Learning） 。

推薦閱讀