電子發(fā)燒友App
入門學(xué)習(xí)深度學(xué)習(xí)之前，有必要先了解一下深度學(xué)習(xí)的工作原理。著名程序猿小哥 Radu Raicea 特意為入門學(xué)習(xí)者寫了一篇文章，利用一個票價預(yù)測工具的例子解釋深度學(xué)習(xí)的工作原理，不需要有多高深的數(shù)學(xué)知識，人人都能看懂。
當(dāng)前，人工智能和機(jī)器學(xué)習(xí)應(yīng)該是最火爆的話題了，你估計經(jīng)常聽到有很多程序猿朋友說要去學(xué) AI，很多公司宣布要應(yīng)用AI技術(shù)，可是很多人其實并沒有完全理解人工智能和機(jī)器學(xué)習(xí)。因此 Radu Raicea 覺得在解釋深度學(xué)習(xí)原理之前，我們有必要了解幾個基本術(shù)語，就當(dāng)一個入門小測驗好了：
你知道啥是機(jī)器學(xué)習(xí)嗎？
機(jī)器學(xué)習(xí)指機(jī)器能夠?qū)W習(xí)利用大數(shù)據(jù)集學(xué)習(xí)而不是硬編碼規(guī)則，它是人工智能的核心，是使計算機(jī)具有智能的根本途徑，主要使用歸納、綜合而不是演繹。
機(jī)器學(xué)習(xí)能讓電腦自我學(xué)習(xí)，這種學(xué)習(xí)類型得益于現(xiàn)代計算機(jī)強大的處理能力，可以輕易地處理大數(shù)據(jù)集。
你知道啥是監(jiān)督學(xué)習(xí)嗎？
監(jiān)督學(xué)習(xí)應(yīng)用了包含輸入值和期望輸出值的標(biāo)記數(shù)據(jù)集。
當(dāng)用監(jiān)督學(xué)習(xí)訓(xùn)練AI的時候，我們需要給它輸入值，并告訴它期望輸出值。如果AI生成的輸出值有誤，它會調(diào)整自身計算。這個過程會隨著數(shù)據(jù)集的更新而不斷迭代，直到AI不再犯錯。
監(jiān)督學(xué)習(xí)的一個典型應(yīng)用就是天氣預(yù)報AI應(yīng)用。AI利用歷史數(shù)據(jù)學(xué)習(xí)如何預(yù)測天氣。訓(xùn)練數(shù)據(jù)包括輸入值（氣壓、濕度、風(fēng)速等）和輸出值（溫度等）。
你知道啥是無監(jiān)督學(xué)習(xí)嗎？
無監(jiān)督學(xué)習(xí)就是使用沒有具體結(jié)構(gòu)的數(shù)據(jù)集。
當(dāng)使用無監(jiān)督學(xué)習(xí)方法訓(xùn)練AI時，需要讓AI對數(shù)據(jù)進(jìn)行分類。
無監(jiān)督學(xué)習(xí)的一個應(yīng)用例子就是為電商網(wǎng)站預(yù)測消費行為。AI沒有利用標(biāo)記過的輸入值和輸出值數(shù)據(jù)集，相反它會對輸入數(shù)據(jù)自己分類，從而能讓網(wǎng)站知道顧客最喜歡買什么東西。
為啥要講這兩個概念呢？
因為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)正是深度學(xué)習(xí)中的兩種學(xué)習(xí)方法。
祝賀你通過入門小測驗，現(xiàn)在我們開啟深度學(xué)習(xí)的大門。
深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，是機(jī)器學(xué)習(xí)研究中的一個新的領(lǐng)域，目的是建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本。
作為一種機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)能讓我們用給定的輸入值訓(xùn)練AI預(yù)測輸出值。監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)都能用來訓(xùn)練AI。
我們來看看 Radu Raicea 怎樣用制作一個票價預(yù)測小工具的例子解釋深度學(xué)習(xí)的工作原理，然后用監(jiān)督式學(xué)習(xí)的方法訓(xùn)練它。
首先我們希望這個票價預(yù)測工具能用以下輸入值預(yù)測票價（在這里先不考慮往返機(jī)票）：
出發(fā)機(jī)場
到達(dá)機(jī)場
出發(fā)時間
航線
神經(jīng)網(wǎng)絡(luò)
我們來看看AI的大腦——神經(jīng)網(wǎng)絡(luò)。 和動物一樣，這個票價預(yù)測AI的大腦也有神經(jīng)元。下圖中的圓圈代表神經(jīng)元，它們相互連接：
神經(jīng)元被分為三種不同的層級：
輸入層（input layer）
隱藏層（可能有多個）（hidden layer）
輸出層（output layer）
輸入層接收輸入數(shù)據(jù)。在我們的票價預(yù)測AI中，輸入層有4個神經(jīng)元：出發(fā)機(jī)場，到達(dá)機(jī)場，出發(fā)日期和航線。輸入層收到這些信息后會傳遞給第一個隱藏層。
隱藏層會對輸入數(shù)據(jù)進(jìn)行數(shù)學(xué)運算。如何決定隱藏層的數(shù)量、以及每層神經(jīng)元的數(shù)量仍是構(gòu)建神經(jīng)網(wǎng)絡(luò)的挑戰(zhàn)。
深度學(xué)習(xí)中的“深度”倆字指的就是神經(jīng)元中有不止一個隱藏層。
最后，輸出層會返回輸出數(shù)據(jù)，在這個例子中，就是AI預(yù)測出票價。
所以，這個AI工具到底是怎么計算出預(yù)測票價的呢？
當(dāng)然是靠神奇的深度學(xué)習(xí)。
神經(jīng)元之間的每個連接都和權(quán)重（weight）緊密相關(guān)，它決定了輸入值的重要性。初始權(quán)重是隨機(jī)設(shè)置的。 當(dāng)預(yù)測某個航班的機(jī)票價格時，出發(fā)日期是最重要的因素之一，因此，出發(fā)日期神經(jīng)元之間的連接會有很大的權(quán)重。
每個神經(jīng)元都有一個激活函數(shù)。如果沒有一定的數(shù)學(xué)知識，很難理解這些函數(shù)。不過，這篇文章面向入門者的，所以這里不再講解深奧的數(shù)學(xué)知識。
簡單來說，這些函數(shù)的目標(biāo)之一就是將神經(jīng)元的輸出值“標(biāo)準(zhǔn)化”。
一旦一組輸入數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)的所有層級，AI會通過輸出層返回輸出值。
這不難理解，對吧？
訓(xùn)練神經(jīng)網(wǎng)絡(luò)
深度學(xué)習(xí)中最難的部分就是訓(xùn)練AI，為什么？
你需要大數(shù)據(jù)集。
你需要有滿足訓(xùn)練所需的強大的計算能力。
拿我們要做的票價預(yù)測AI來說，我們需要有歷史機(jī)票價格的數(shù)據(jù)。而且因為機(jī)場和出發(fā)日期的組合有很多種可能，因此這個票價列表信息會非常龐大。
要訓(xùn)練AI，我們需要為它提供來自數(shù)據(jù)集中的輸入值，然后將AI的輸出值與數(shù)據(jù)集的輸出值相比較。由于AI還沒有接受訓(xùn)練，因此輸出值會有很多錯誤。
一旦將整個數(shù)據(jù)集中的所有數(shù)據(jù)輸入完成，我們可以創(chuàng)建一個函數(shù)，為我們展示AI的輸出值與真正的輸出值差距有多大。這個函數(shù)就叫做“代價函數(shù)”（Cost Function）。
理想狀態(tài)下，我們希望代價函數(shù)為零，但是只有AI的輸出值和數(shù)據(jù)集的輸出值一樣的時候，才代表達(dá)到了這個狀態(tài)。
那問題來了，怎樣降低代價函數(shù)？
我們上文中提到了“權(quán)重”這個東東，還記得嗎？在減少代價函數(shù)的操作中，權(quán)重起著至關(guān)重要的作用。改變神經(jīng)元間的權(quán)重可以調(diào)整代價函數(shù)，我們可以隨機(jī)改變它們直到代價函數(shù)接近0，但這種方法效率很低。
在這種情況下，一種叫做梯度下降（Gradient Descent）的神器隆重出場。
梯度下降是一種尋找函數(shù)最小值的方法，我們要找到機(jī)票價格模型中代價函數(shù)的最小值，就要靠梯度下降。
梯度下降的工作原理是在數(shù)據(jù)集的每次迭代后，以很小的增量改變權(quán)重。通過計算確定權(quán)重代價函數(shù)的導(dǎo)數(shù)（或梯度），我們就能發(fā)現(xiàn)朝哪個方向可以找到最小值。
要想將代價函數(shù)最小化，我們需要多次迭代數(shù)據(jù)集，這就是為什么剛才說需要有強大的計算能力。
利用梯度下降更新權(quán)重可以自動完成，這就是深度學(xué)習(xí)的魔力所在！等我們訓(xùn)練完機(jī)票價格預(yù)測AI工具后，我們就可以用它來預(yù)測未來的機(jī)票價格了！
哦對了，神經(jīng)網(wǎng)絡(luò)也有很多類型，不同的AI使用的神經(jīng)網(wǎng)絡(luò)也不同，比如計算機(jī)視覺技術(shù)采用的是卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks），自然語言處理用的是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks）。
最后對深度學(xué)習(xí)做個總結(jié)：
深度學(xué)習(xí)需要神經(jīng)網(wǎng)絡(luò)模仿動物的智力。
一個神經(jīng)網(wǎng)絡(luò)中有三種神經(jīng)元層，即輸入層、隱藏層（可有多個層級）和輸出層。
神經(jīng)元之間的連接與權(quán)重有關(guān)，它決定了輸入值的重要性。
將激活函數(shù)應(yīng)用到數(shù)據(jù)中，可以使神經(jīng)元的輸出值“標(biāo)準(zhǔn)化”。
要訓(xùn)練神經(jīng)網(wǎng)絡(luò)，你需要一個大數(shù)據(jù)集。
迭代數(shù)據(jù)集和將AI輸出與數(shù)據(jù)集輸出進(jìn)行對比，將產(chǎn)生一個代價函數(shù)，顯示AI的輸出與真實輸出之間的差異。
數(shù)據(jù)集的每一次迭代后，神經(jīng)元之間的權(quán)重會通過梯度下降的方式，降低代價函數(shù)的值。
工商網(wǎng)監(jiān)
評論