3分鐘看懂深度學習

想搞清楚什麼是深度學習，要先從人工智慧說起，自從 1956 年計算機科學家們在達特茅斯會議(Dartmouth Conferences)上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，我們夢想著擁有人類五感(甚至更多)、推理能力以及人類思維方式的神奇機器。當下，雖然夢想的局面還沒有出現，但是稍微弱一點的人工智慧已經大行其道了，比如：圖像識別、語音識別、多語言翻譯等。

機器學習是實現人工智慧的一種重要方法。機器學習的概念來自早期的人工智慧研究者，簡單來說，機器學習就是使用演算法分析數據，從中學習並自動歸納總結成模型，最後使用模型做出推斷或預測。與傳統的編程語言開發軟體不同，我們使用大量的數據送給機器學習，這個過程叫做「訓練」。

如上圖，深度學習 ( Deep Learning ) 是機器學習中近年來備受重視的一支，深度學習根源於類神經網路模型，但今日深度學習的技術和它的前身已截然不同，目前最好的語音識別和影像辨識系統都是以深度學習技術來完成，去年紅遍大街小巷的AlphaGo也是基於深度學習技術。

深度學習，顧名思義，它比過去的機器學習更有「深度」，或者換個說法，由於有了更多的隱藏層，它更加「聰明」，能夠學習掌握過去普通機器學習難以解決的問題，或者準確率不高的問題。舉個例子，圖像識別（最經典的就是識別圖像中的貓），在有了深度學習技術以後，準確率突飛猛進，現在已經達到甚至超過了人類的識別能力了，這都是因為深度學習能夠捕捉更多的細節，從而能夠據此進行準確的判斷。

理解了深度學習的背景，我們再來說說如何進行深度學習，這個聽起來十分高大上的概念說起來其實非常簡單，就像把大象裝進冰箱一樣，只有三步：

構建模型

偉大的深度學習科學家們，已經為我們打好了基礎，我們只需要分析我們要解決的問題，然後參考業內的實踐，選擇一個模型就可以，並把他搭建起來就好了。不同的模型擅長解決不同的問題，比如：CNN多用來解決圖像識別檢測類的問題，RNN用來處理文字等序列問題。選對適當的模型，是深度學習的關鍵，選錯了，就好比我們在狗和貓之間選擇把貓訓練成「警貓」一樣，最終導致失敗。

準備數據

數據的數量、和質量是決定學習效果的另一個關鍵要素。數據量太少，就好比剛把高一讀完，就要去高考，顯然不能掌握足夠的知識。數據質量不佳，相當於教材有錯誤，學得越多，說不定成績越差。

學習

有了模型和數據，我們就可以開動機器，讓計算機在程序控制下，按照我們構建的模型進行自主學習了，這個過程不需要人干預。大多數情況下，深度學習工程師們可以去安心睡覺了。深度學習的學習過程，是一個密集的計算過程，要消耗大量的計算資源，短的學習過程可能幾小時，長的可能要幾個星期。

在大數據火了之後，人工智慧深度學習緊接著就火了，其實這也是一脈相承的。如果說大數據是金礦，那麼深度學習就是一個勤勞的煉金師傅，能夠源源不斷地從大數據中開採出閃閃發光的金子來。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！