深度學習是機器學習的一種形式，所采用的神經網絡在輸入節點和輸出節點之間具有許多“深度”層次。

通過基于大數據集訓練網絡，創建的模型可用于根據輸入數據進行精确預測。在用于深度學習的神經網絡中，每一層的輸出會前饋到下一層的輸入。通過更改各層之間連接的加權，反複優化模型。在每一個周期，對模型預測準确度的反饋将用于指導連接加權的更改。

輸入和輸出之間含有“深度”隐藏層的神經網絡：

相對輸入加權的更改：

人工智能、機器學習與深度學習

如上圖，最早出現的人工智能位于同心圓最外側;其次是随後發展起來的機器學習，位于中間;最後是推動人工智能突飛猛進發展的深度學習，位于最内側。

自上個世紀50年代的人工智能熱以來，基于人工智能概念的機器學習和深度學習又掀起一陣前所未有的新浪潮。

1956年，幾個計算機科學家在達特茅斯會議上首次提出了“人工智能”的概念。此後，人工智能就一直萦繞于人們的腦海之中，并在科研實驗室中蓄勢待發。之後的幾十年，人工智能一直在兩極反轉，有人稱其為打開人類文明輝煌未來的鑰匙，也有人将其當成科技瘋子的狂想扔到技術垃圾堆裡。其實2012年之前，這兩種觀點一直不相上下。

過去幾年，尤其是2015年以來，人工智能突飛猛進地發展。這主要歸功于圖形處理器(GPU)的廣泛應用，使得并行計算變得更快、更便宜、更有效。當然，無限拓展的存儲能力和驟然爆發的數據洪流(大數據)的組合拳，也使得圖像數據、文本數據、交易數據、映射數據全面海量爆發。

機器學習——實現人工智能的方法

機器學習最基本的做法，是使用算法來解析數據、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同，機器學習是用大量的數據來“訓練”，通過各種算法從數據中學習如何完成任務。

機器學習直接來源于早期的人工智能領域。傳統算法包括決策樹學習、推導邏輯規劃、聚類、強化學習和貝葉斯網絡等等。衆所周知，我們還沒有實現強人工智能。早期機器學習方法甚至都無法實現弱人工智能。

深度學習——是實現機器學習的技術

人工神經網絡是早期機器學習中的一個重要的算法。神經網絡的原理是受我們大腦的生理結構——互相交叉相連的神經元啟發。但與大腦中一個神經元可以連接一定距離内的任意神經元不同，人工神經網絡具有離散的層次、連接和數據傳播的方向。

例如，我們可以把一幅圖像切分成圖像塊，輸入到神經網絡的第一層。在第一層的每一個神經元都把數據傳遞到第二層。第二層的神經元也是完成類似的工作，把數據傳遞到第三層，以此類推，直到最後一層，然後生成結果。

每一個神經元都為它的輸入分配權重，這個權重的正确與否與其執行的任務直接相關。最終的輸出由這些權重加總來決定。

其實在人工智能出現的早期，神經網絡就已經存在了，但神經網絡對于“智能”的貢獻微乎其微。主要問題是，即使是最基本的神經網絡，也需要大量的運算。神經網絡算法的運算需求難以得到滿足。

現在，經過深度學習訓練的圖像識别，在一些場景中甚至可以比人做得更好：從識别貓，到辨别血液中癌症的早期成分，到識别核磁共振成像中的腫瘤。Google的AlphaGo先是學會了如何下圍棋，然後與它自己下棋訓練。它訓練自己神經網絡的方法，就是不斷地與自己下棋，反複地下，永不停歇。

深度學習的相關技術

深度學習可以讓那些擁有多個處理層的計算模型來學習具有多層次抽象的數據的表示。這些方法在許多方面都帶來了顯著的改善，包括最先進的語音識别、視覺對象識别、對象檢測和許多其它領域。深度學習能夠發現大數據中的複雜結構。深度卷積網絡在處理圖像、視頻、語音和音頻方面帶來了突破，而遞歸網絡在處理序列數據，比如文本和語音方面表現出了閃亮的一面。

幾十年來，想要構建一個模式識别系統或者機器學習系統，需要一個精緻的引擎和相當專業的知識來設計一個特征提取器，把原始數據(如圖像的像素值)轉換成一個适當的内部特征表示或特征向量，子學習系統，通常是一個分類器，對輸入的樣本進行檢測或分類。特征表示學習是一套給機器灌入原始數據，然後能自動發現需要進行檢測和分類的表達的方法。

深度學習就是一種特征學習方法，把原始數據通過一些簡單的但是非線性的模型轉變成為更高層次的，更加抽象的表達。通過足夠多的轉換組合，非常複雜的函數也可以被學習。

機器學習和深度學習的主要差異

深度學習和機器學習都提供了訓練模型和分類數據的方法，那麼這兩者到底有什麼區别?

使用标準的機器學習的方法，我們需要手動選擇圖像的相關特征，以訓練機器學習模型。然後，模型在對新對象進行分析和分類時引用這些特征。

通過深度學習的工作流程，可以從圖像中自動提取相關功能。另外，深度學習是一種端到端的學習，網絡被賦予原始數據和分類等任務，并且可以自動完成。

另一個關鍵的區别是深度學習算法與數據縮放，而淺層學習數據收斂。淺層學習指的是當用戶向網絡中添加更多示例和訓練數據時，機器學習的方式能夠在特定性能水平上達到平台級。

如果需要在深度學習和機器學習之間作出抉擇，用戶需要明确是否具有高性能的GPU和大量的标記數據。如果用戶沒有高性能GPU和标記數據，那麼機器學習比深度學習更具優勢。這是因為深度學習通常比較複雜，就圖像而言可能需要幾千張圖才能獲得可靠的結果。高性能的GPU能夠幫助用戶，在建模上花更少的時間來分析所有的圖像。

如果用戶選擇機器學習，可以選擇在多種不同的分類器上訓練模型，也能知道哪些功能可以提取出最好的結果。此外，通過機器學習，我們可以靈活地選擇多種方式的組合，使用不同的分類器和功能來查看哪種排列最适合數據。

所以，一般來說，深度學習的計算量更大，而機器學習技術通常更易于使用。

深度學習，給人工智能以璀璨的未來

深度學習使得機器學習能夠實現衆多的應用，并拓展了人工智能的領域範圍。深度學習摧枯拉朽般地實現了各種任務，使得所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即将實現。

來源：傳感器技術

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!