深度学习概述

**

深度学习概述

**
提起深度学习，大家可能都不陌生，因为随着人工智能的火爆以及互联网的发展，人工智能及其相关概念不断地被人提起，非计算机相关行业的人也能在各种各样的媒体、科普文章中看到关于人工智能的介绍，”人工智能”更是入选了2017年度中国媒体十大流行语。但是实际上，大多数人依然不理解，什么是人工智能，什么是深度学习，处于只闻其声不见其人的状态。

人工智能企图了解智能的实质并生产出一种新的能以人类智能相似的方式做出反应的智能机器，人工智能的研究范畴包括机器人、语言识别、图像识别、自然语言处理和专家系统等。总的来说，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，而人工智能的核心就是机器学习。

机器学习是使计算机具有智能的根本途径，它综合应用了心理学、生物学、神经生理学、自动化以及计算机科学等众多学科。所谓”学习”，人是通过学习使得自己具有处理各种事情的能力的，想象一个刚出生的婴儿，不会语言不会走路不会吃东西更不会算数学题…，父母教他说话，带他走路，喂他吃饭，送他上学，这一切都是一个”学习”的过程。任何的从已经有的信息，无论是通过计算，判断，推理而后得到一个认知的过程都可以称为”学习”。所谓”机器学习”，顾名思义就是让机器学习的过程，通过教导机器，让它可以做一系列人类能做的事情。

为什么有的人学习能力好，成绩高，但有的人成绩却没那么好。这经常被解释为学习方法，思考过程，经验不同而导致的差异，可以统一归为由于“学习策略”的差异而导致的学习效果的不同，好的学习策略会更快更准确的得到认知的结果，而不好的学习策略可能会花费更多的时间或者得到错误的结论。

人工神经网络是机器学习的常见学习策略之一。众所周知，人类感知世界认识世界是通过神经网络来完成的。以我们的视觉为例，我们的视觉系统非常复杂。大致来讲，当光线投射到视网膜后，视觉膜上的光感受细胞的突触直接与双极细胞相连，双极细胞突触则与最外层的节细胞相连，节细胞将动作电位传递到大脑。我们的视网膜有大约1亿3千万个光感受细胞接收光信号，然后通过大约120万个节细胞轴突将信息从视网膜传递到大脑。人工神经网络则是模仿人类的神经网络，构造多个神经元来处理输入，生成输出的。

而我们本文的重点，深度学习的概念则是源于对人工神经网络的研究。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像(计算机视觉)，声音(自然语言理解)等。之所以称之为深度学习，是因为深度学习区别于传统的浅层学习，它强调模型结构的深度，通常有5层、6层乃至十多层的隐藏层。深度学习是一个复杂的机器学习算法，在语音和图像识别等方面取得的效果，远远超过先前相关技术。

神经网络是深度学习研究的对象，深度学习又是机器学习最前沿最重要的一个分支，机器学习又是人工智能的核心，其重要性可见一斑。说了半天的人工神经网络，神经网络到底是怎样工作的呢？

上图是神经网络的一个大致结构，图中的圈圈是一个个的神经元，用来存储数据，图中的连线是一个个的类似于突触的结构，用来处理和传递数据，根据每条线上的参数处理数据，数据从左侧输入，经过隐藏层的处理，输出得到结果。我个人认为神经网络的工作特点类似于我们熟悉的待定系数法，有输入，有输出，来确定函数的系数，确定了系数之后，给出一个输入便能算出一个对应的输出。只不过，这里的系数很复杂，不能很轻易地确定出来，需要通过大量的训练来逐渐确定系数。

简单来说，步骤如下：首先初始化参数，随后向神经网络投喂训练集，训练集包括多组数据，每处理完一组数据，计算损失函数，损失函数是与参数相关的函数，表示实际结果与期望结果的差异值，随后通过梯度下降法，在损失函数下降的方向上确定新的参数并修改参数，重复上述步骤…直到损失函数局部最优，此时取得参数最优解，训练完毕可以使用该模型进行预测或者分类了。

虽然目前尚有很多问题尚未被解决，但是我相信随着深度学习技术的飞速发展，未来这些问题都能迎刃而解！