人工智能深度學習的意義

大V吳恩達曾經(jīng)說過：做AI研究就像造宇宙飛船，除了充足的燃料之外，強勁的引擎也是必不可少的。假如燃料不足，則飛船就無法進入預定軌道。而引擎不夠強勁，飛船甚至不能升空。類比于AI，深度學習模型就好像引擎，海量的訓練數(shù)據(jù)就好像燃料，這兩者對于AI而言同樣缺一不可。

深度學習是一個近幾年備受關注的研究領域，在機器學習中起著重要的作用。 深度學習通過建立、模擬人腦的分層結構來實現(xiàn)對外部輸入的數(shù)據(jù)進行從低級到高級的特征提取，從而能夠解釋外部數(shù)據(jù)。

深度學習

深度學習（Deep Learning）的概念源于人工神經(jīng)網(wǎng)絡的研究。含多隱層的多層感知器就是一種深度學習結構。

深度學習也稱為深度結構學習【Deep Structured Learning】、層次學習【Hierarchical Learning】或者是深度機器學習【Deep Machine Learning】）是一類算法集合，是機器學習的一個分支。它嘗試為數(shù)據(jù)的高層次摘要進行建模。

機器學習通過算法，讓機器可以從外界輸入的大量的數(shù)據(jù)中學習到規(guī)律，從而進行識別判斷。機器學習的發(fā)展經(jīng)歷了淺層學習和深度學習兩次浪潮。深度學習可以理解為神經(jīng)網(wǎng)絡的發(fā)展，神經(jīng)網(wǎng)絡是對人腦或生物神經(jīng)網(wǎng)絡基本特征進行抽象和建模，可以從外界環(huán)境中學習，并以與生物類似的交互方式適應環(huán)境。神經(jīng)網(wǎng)絡是智能學科的重要部分，為解決復雜問題和智能控制提供了有效 的途徑。神經(jīng)網(wǎng)絡曾一度成為機器學習領域備受關注的方向。

我們用一個簡單的例子來說明，假設你有兩組神經(jīng)元，一個是接受輸入的信號，一個是發(fā)送輸出的信號。當輸入層接收到輸入信號的時候，它將輸入層做一個簡單的修改并傳遞給下一層。在一個深度網(wǎng)絡中，輸入層與輸出層之間可以有很多的層（這些層并不是由神經(jīng)元組成的，但是它可以以神經(jīng)元的方式理解），允許算法使用多個處理層，并可以對這些層的結果進行線性和非線性的轉換。

深度學習的由來

１、人腦視覺機理啟示

人類每時每刻都面臨著大量的感知數(shù)據(jù)，但大腦總能很容易地捕獲重要的信息。人工智能的核心問題就是模仿大腦這種高效準確地表示信息的能力。通 過 近些年的研究，我們對大腦機理已有了一些了解，這些都推動了人工智能的發(fā)展。

神經(jīng)學研究表明，人的視覺系統(tǒng)的信息處理是分級的，從低級的Ｖ1區(qū)提取邊緣特征，到Ｖ2區(qū)的形狀，再到更高層。人類大腦在接收到外部信號時，不是直接對數(shù)據(jù)進行處理，而是通過一個多層的網(wǎng)絡模型來獲取數(shù)據(jù)的規(guī)律。這種層次

結構的感知系統(tǒng)使視覺系統(tǒng)需要處理的數(shù)據(jù)量大大減少，并保留了物體有用的結構信息。

２、現(xiàn)有機器學習的局限性

深度學習與淺層學習相對?，F(xiàn)在很多的學習方法都是淺層結構算法，它們存在一定的局限性，比如在樣本有限的情況下表示復雜函數(shù)的能力有限，針對復雜的分類問題其泛化能力受到一定制約。

而深度學習可通過學習一種深層非線性網(wǎng)絡結構，實現(xiàn)復雜函數(shù)逼近，表征輸 入數(shù)據(jù)分布式表示，并且能在樣本集很少的情況下去學習數(shù)據(jù)集的本質特征。

雖然淺層學習的應用也很廣泛，但它只對簡單的計算才有效，并不能到達人腦的反應效果，這就需要深度的機器學習。這些都表明淺層學習網(wǎng)絡有很大的局限性，激發(fā)了我們對深度網(wǎng)絡建模的研究。

深度機器學習是數(shù)據(jù)分布式表示的必然結果。有很多學習結構的學習算法得到的學習器是局部估計算子，例如，由核方法構造的學習器，是由對模板的匹配度加權構成的。對于這樣的問題，通常我們有合理的假設，但當目標函數(shù)非常復雜時，由于需要利用參數(shù)進行描述的區(qū)域數(shù)目也是巨大的，因此這樣的模型 泛化能力很差。在機器學習和神經(jīng)網(wǎng)絡研究中分布式表示可以處理維數(shù)災難和局部泛化限制。分布式表示不僅可以很好地描述概念間的相似性，而且合適的分布式表示在有限的數(shù)據(jù)下能體現(xiàn)出更好的泛化性能。理解和處理接收到的信 息是人類認知活動的重要環(huán)節(jié)，由于這些信息的結構一般都很復雜，因此構造

深度的學習機器去實現(xiàn)一些人類的認知活動是很有必要的。

３、特征提取的需要

機器學習通過算法，讓機器可以從外界輸入的大量數(shù)據(jù)中學習到規(guī)律，從而進行識別判斷。機器學習在解決圖像識別、語音識別、自然語言理解等問題時的 大致流程如圖 １ 所示。

首先通過傳感器來獲得數(shù)據(jù)，然后經(jīng)過預處理、特征提取、特征選擇，再到推理、預測和識別。良好的特征表達影響著最終算法的準確性，而且系統(tǒng)主要的計算和測試工作都在這一環(huán)節(jié)。這個環(huán)節(jié)一 般都是人工完成的，靠人工提取特征是一種非常費力的方法，不能保證選取的質量，而且它的調節(jié)需要大量的時間。然而深度學習能自動地學習一些特征，不需要人參與特征的選取過程。

深度學習是一個多層次的學習，如圖２所示，用較少的隱含層是不可能達到與 人腦類似的效果的。這需要多層的學習，逐層學習并把學習的知識傳遞給下一 層，通過這種方式，就可以實現(xiàn)對輸入信息進行分級表達。深度學的實質就是通過建立、模擬人腦的分層結構，對外部輸入的聲音、圖像、文本等數(shù)據(jù)進行從低級到高級的特征提取，從而能夠解釋外部數(shù)據(jù)。與傳統(tǒng)學習結構相比，深 度學習更加強調模型結構的深度，通常含有多層的隱層節(jié)點，而且在深度學習中，特征學習至關重要，通過特征的逐層變換完成最后的預測和識別。