自從前年Alpha Go完虐李世石之后，深度學(xué)習(xí)就火了，但似乎沒人說得清它的原理，只是把它當作一個黑箱來使，有人說，深度學(xué)習(xí)就是一個非線性分類器，也有人說，深度學(xué)習(xí)是對人腦的模擬，然而，筆者覺得都沒有捅透那層窗戶紙。

這幾年，人工智能引起了非常多的關(guān)注，深度學(xué)習(xí)和機器學(xué)習(xí)在AI核心技術(shù)上得到了充分的關(guān)注之外，在計算機視覺和自然語言處理等領(lǐng)域又一次產(chǎn)生了巨大的影響，深度學(xué)習(xí)也是無人駕駛汽車的關(guān)鍵技術(shù)。

深度學(xué)習(xí)到底是什么？

在深度學(xué)習(xí)中，計算機模型學(xué)習(xí)直接從圖像、文本或聲音中執(zhí)行分類任務(wù)，深度學(xué)習(xí)模式可以達到新的精確度，有時甚至超過人類的表現(xiàn)，大多數(shù)深度學(xué)習(xí)方法使用神經(jīng)網(wǎng)絡(luò)的架構(gòu)，這也是深度學(xué)習(xí)模型通常被稱為深度神經(jīng)網(wǎng)絡(luò)的原因。

所謂深度通常是指神經(jīng)網(wǎng)絡(luò)中隱藏層的數(shù)量，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)只包含2到3個隱藏層，而深度神經(jīng)網(wǎng)絡(luò)最多可以有150個，深度神經(jīng)網(wǎng)絡(luò)最受歡迎的類型之一是卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)通過輸入數(shù)據(jù)來卷積學(xué)習(xí)特征，并通過2D卷積圖層，使得這種架構(gòu)非常適合處理2D數(shù)據(jù)。

為何深度學(xué)習(xí)關(guān)注點很多？

最主要的原因是準確性，深度學(xué)習(xí)模式可以達到前所未有的精確度，有時甚至超過人類的表現(xiàn)，還有另外兩個因素使該技術(shù)得到了業(yè)界的關(guān)注，其一，深度學(xué)習(xí)需要大量的標記數(shù)據(jù)。如，無人駕駛汽車的發(fā)展需要以數(shù)百萬計的圖像和數(shù)千小時的視頻為基礎(chǔ)，這些大量的標記數(shù)據(jù)現(xiàn)在已經(jīng)可以輕松獲得。

其二，深度學(xué)習(xí)需要大量的計算能力，高性能的GPU具有高效深度學(xué)習(xí)的并行架構(gòu)，與集群或云計算結(jié)合使用時，開發(fā)團隊可以將深度學(xué)習(xí)網(wǎng)絡(luò)的培訓(xùn)時間從幾周縮短到幾個小時甚至更短。

深度學(xué)習(xí)會是AI未來嗎？

其實，深度學(xué)習(xí)并不是人工智能的同義詞，由于谷歌、Facebook等巨頭公司宣傳人工智能工具時主要談的就是深度學(xué)習(xí)，甚至只談深度學(xué)習(xí)，因此大眾誤以為所有的人工智能都由深度學(xué)習(xí)書寫，然而，真實情況并非如此。

未來人工智能應(yīng)探索其它的新方法，或者被忽視的舊方法，而不僅僅使用深度學(xué)習(xí)，深度學(xué)習(xí)的一個局限是把數(shù)據(jù)中最常見的內(nèi)容作為真理，把統(tǒng)計學(xué)上較稀少、或與較常出現(xiàn)的內(nèi)容相反的東西看作謬論，深度學(xué)習(xí)的公正性并非來自其自身，而是人類篩選和準備的深度學(xué)習(xí)數(shù)據(jù)。

此外，有一些專家正在開發(fā)完全不包含深度學(xué)習(xí)的全新人工智能系統(tǒng)，但他們?nèi)狈�資金支持，現(xiàn)在所有人都只投資深度學(xué)習(xí)，而且這個風(fēng)潮還將持續(xù)一段時間，沒有人知道下一個人工智能大事件將會是關(guān)于什么的，但不太可能是深度學(xué)習(xí)。

總結(jié)：如果你們還沒來得及學(xué)習(xí)人工智能，那么你們可以考慮等待下一個人工智能系統(tǒng)興起，并準備好并直接研究它，跳過深度學(xué)習(xí)，否則，如果你有需求學(xué)習(xí)人工智能，筆者建議你們一定要深入了解整個人工智能和機器學(xué)習(xí)領(lǐng)域的知識，而不僅僅是深度學(xué)習(xí)。