人工智能这么火，深度学习你知道吗？

随着人类在人像识别、机器翻译、自动驾驶等人工智能领域研究的深入，机器学习也由浅入深，进入了一个新的阶段，可以说，人类对深度学习的突破程度，代表了机器学习的智慧程度。那么，人工智能这么火，深度学习你知道多少呢？

什么是深度学习？

深度学习（DL）是机器学习的技术和研究领域之一，通过建立具有阶层结构的人工神经网络（ANNs），在计算系统中实现人工智能。由于阶层ANN能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。此外，深度学习也可参与构建强化学习系统，形成深度强化学习。

「深度」怎么理解？

从一个输入中产生一个输出所涉及的计算，可以通过一个流向图来表示。

流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算以及一个计算的值，计算的结果被应用到这个节点的子节点的值。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有父节点，输出节点没有子节点。

这种流向图的一个特别属性是深度：从一个输入到一个输出的最长路径的长度。

人工智能、机器学习与深度学习

从概念上来说，这三者之间是一个逐级包含的关系（如下图所示），人工智能包含的含义很广，机器学习只是它的一个方向，而深度学习也只是机器学习的一个分支。

从时间的维度来看，人工智能的发展也经历了从符号注意人工智能到机器学习，再到深度学习的一个过程。

人工智能的概念开始于上世纪50年代，人类把规则输入到计算机，计算机通过执行代码代替人类完成指定的工作，这一时期计算机并不具备真正意义上的智能。90年代以后机器学习开始蓬勃发展，人类不用告诉计算机任何规则，计算机可以从大量的数据中自主发现规则。进入新世纪以后深度学习大放异彩。

所谓“深度”不是指理解的深度，而是模型的层数，深度学习它通过构建多处理层的计算模型，从训练数据中提取多层次特征，能够显著提高图像、语音、文本的识别准确率。

神经网络与深度学习

很多小伙伴儿在学习时会有这样的疑惑：神经网络和深度学习的区别到底在哪儿，应该学习哪个？其实它们不是同一个层次的概念。

神经网络是深度学习的基础，深度学习是建立在多层神经网络上的框架。想要深入理解深度学习，必须对神经网络的机构和基本原理有清晰地认识。

80年代反向传播算法让神经网络声名鹊起，但是到了90年代，SVM等机器学习算法地出现掩盖了神经网络的风头，直到2012年深度卷积神经网络在图像分类挑战赛上一举夺魁才让神经网络重新被广大研究者重视。可以说，是深度学习挽救了神经网络。

深度学习的框架选择

很多人可能会问：为什么要使用框架？我用Numpy照样能实现多层的神经网络。话虽没错，但是手动从底层开始一步一步构建深度学习框架，不仅费时费力，而且运算效率不高，如果你希望使用GPU计算还需要编写CUDA。而使用成熟的框架，我们不用浪费大量的精力自己造轮子，像堆积木一样就能构建自己的深度神经网络。

结语：深度学习是人工智能实现的一个重要环节，随着未来在计算机视觉、语音识别等领域的研究与商用，小编相信：深度学习的巨大潜能一定会发挥到极致，让冰冷的机器变得智慧，让我们的生活更加便捷、多彩。