|
|
eagleyan
| 来自北京
深度学习是机器学习的一种形式，所采用的神经网络在输入节点和输出节点之间具有许多“深度”层。通过基于大数据集训练网络，创建的模型可用于根据输入数据进行精确预测。在用于深度学习的神经网络中，每一层的输出会前馈到下一层的输入。通过更改各层之间链接的加权，反复优化模型。在每一台周期，对模型预测准确度的反馈将用于指导链接加权的更改。
过去几年，尤其是2015年以来，人工智能突飞猛进地发展。这主要归功于图形处理器(GPU)的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流(大数据)的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。
深度学习技术是人工智能（AI）的一台重要实现方法，在语音识别、图像识别、自然语言处理和搜索广告预估等领域的应用都取得了惊人的进展。缘其如此，谷歌、微软、阿里、腾讯、百度等全球著名的高科技公司争相投入资源，占领深度学习的技术制高点。各大公司以深度学习为主要研究方向的研究院所纷纷成立，大量技术人员涉足深度学习领域，大量以深度学习为核心技术的创业公司涌现。可以想象在不久的未来，以深度学习为代表的人工智能技术将渗入人们生活的方方面面，像水、电、气等基础资源一样与人们的生活息息相关。在智能家居、自动驾驶、机器人、无人机等领域大显身手，并逐步完成从云端到终端的转化。
机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
人工神经网络是早期机器学习中的一台重要的算法。神经网络的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一台神经元可以链接一定距离内的任意神经元不同，人工神经网络具有离散的层、链接和数据传播的方向。
目前，经过深度学习训练的图像识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自个下棋训练。它训练自个神经网络的方法，就是不断地与自个下棋，反复地下，永不停歇。深度学习就是一种特征学习方法，把原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达。
通过足够多的转换的组合，非常复杂的函数也可以被学习。
深度学习和机器学习都提供了训练模型和分类数据的方法，那么这两者到底有什么区别?
一般来说，深度学习的计算量更大，而机器学习技术通常更易于使用。深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。 |
|
