deeplearning 打卡第一天_AI领域概念及关系

本系列内容是对于Deep Learning一书的研读心得，将会在尊重原著及版权的基础上，加入一部分critical thinking。阅读请尊重Deep Learning原著版权。本系列欢迎评论转载，请注明出处。

本文中图片来源于原书Deep Learning，只用于学习交流，不得用于商业目的。

今天是正式开始读Deep Learning的第一天，决定了就要从头到尾学习一下，还是不要放松。

今天阅读的主体内容是CHAPTER 1. INTRODUCTION，主要讲解了整个AL领域重要的技术领域，相互关系，及重要的概念，大致梳理如下：

首先，这张图可以很形象地说明，我们平时很容易混淆的几个概念，人工智能，机器学习，表达学习，深度学习之间的关联。这几个概念呈现层层递进的关系，以deep learning为前沿和核心。

其中representation learning是平时接触较少的，这一方法，用于应对复杂问题难以手工定义并提取特征的困境。其实现策略，我认为书中给的解释非常切中肯綮，所以直接沿用：One solution to this problem is to use machine learning to discover not only the mapping from representation to output but also the representation itself.

这一系列方法呈现逐层递进的重要原因：

一是特征选择的方式，从传统AI与机器学习的手工设计提取特征，到表达学习与深度学习的将机器学习应用于特征选择本身、

二是将特征映射为输出的方式，表达学习及之前，机器学习是专门寻找特征到输出的映射关系的，使用的是“一步到位”的想法；深度学习所使用的是分层处理特征，逐步提高特征的抽象程度，最终映射为输出。

下图可以很好地说明这一点：

对于特征选择的重要性，书籍选用了一个做分类的例子来说明，即用一条线分开两类不同的数据，图示展示了在笛卡尔系下和极坐标系下的重大区别：

同时，今天阅读的内容，还讲解了如何确定一个深度学习模型的深度（depth）。这个概念是由模型的最大深度定义的。确定它，主要的两种方法，一是计算模型完成整个过程所需要的顺序指令；二是对于概念的抽象层数。举例说明的话，假设识别一张人脸图片，先是由像素识别脸上的器官，需要n次顺序指令的计算，再是由器官识别整张脸，需要n次顺序计算。第一种方法认为，2n是深度，因为共完成了2n次顺序指令；第二种方法认为，2是深度，因为从输入到输出，共完成了2次概念或者说特征的抽象。

这是一个很好玩的话题，因为似乎并没有统一的标准，还在很大程度上取决于编程所用的语言，及计算时选取的粒度。如下图所示，展示了对于基本元素选取的粒度不同，是如何影响模型深度的计算：

至此，今天的内容基本结束。