机器学习与深度学习，深度学习到底是什么

很多朋友对机器学习与深度学习，深度学习到底是什么不是很了解，每日小编刚好整理了这方面的知识，今天就来带大家一探究竟。

人工智能和第四次工业革命一样，正在从学术界的占有变成一种可以改变世界的力量。特别是以深度学习取得的进步为标志。它让爬行了60年的人工智能一鸣惊人。我们正在一个新大陆着陆。人工智能和第四次工业革命一样，正在从学术界的占有变成一种可以改变世界的力量。特别是以深度学习取得的进步为标志。它让爬行了60年的人工智能一鸣惊人。

我们正在一个新大陆着陆。深度学习带来的这一重大技术革命，可能会颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。那么，什么是深度学习呢？如何理解其重要性？先说概念和现象。我总结了一句话，学术上可能不严谨，但从我的理解角度来说，——深度学习是基于多层神经网络，以海量数据为输入，规则自学习的方法。这里有几个关键词：

第一个关键词叫做多层神经网络。基于深度学习的多层神经网络并不新鲜，在上世纪80年代甚至被认为是没有前途的，但近年来科学家不断优化多层神经网络的算法，取得了突破。

以前的很多算法都是线性的。而这个世界上大多数事物的特征都是复杂的，非线性的。例如，猫的图像包含颜色、形状、面部特征和光线等各种信息。深度学习的关键是通过多层非线性映射成功分离这些因素。那为什么深？多层神经网络比浅层有什么优势？

简单来说，你可以减少参数。因为它重用了中间层的计算单元。我们以认猫为例。它可以学习猫的分层特征：底层从原始像素开始，描绘局部边缘和线条；中间层结合各种边缘来描述不同类型的猫器官；顶层描述了整只猫的全局特征。

它需要超强的计算能力，同时又有大量的数据输入。特别是在信息表示和特征设计方面，过去严重依赖人力，严重影响了有效性和通用性。深度学习彻底颠覆了“人工特征”的范式，开启了“表征学习”——的数据驱动范式，从数据中提取特征，计算机发现规则，进行自我学习。

你可以理解，过去人们自己用经验。在深度学习中？经验以数据的形式存在。所以深度学习是一种在计算机上从数据生成模型的算法，也就是深度学习算法。问题来了。几年前谈大数据和各种算法和深度学习有什么区别？

以前算法模式数学上叫线性，X和Y的关系是对应的，是函数的映射。然而，这种算法在海量数据面前遇到了瓶颈。在国际著名的ImagineNet图像分类大赛中，传统算法无法降低识别错误率，但深度学习后大大降低。2010年，获奖系统只能正确标注72%的图片；到2012年，多伦多大学的GeoffHiton利用深度学习的新技术，带领团队达到了85%的准确率。

在2015年的ImagineNet大赛中，一个深度学习系统首次以96%的准确率超过了人类(人类的平均准确率为95%)。

计算机读图的能力已经超过了人。特别是在图像、语音等复杂应用中，深度学习技术取得了优越的性能。为什么？其实是一种思维上的创新。举几个脑洞大开的例子。1.先说计算机识别猫。我们通常可以用许多属性来描述一个事物。这些属性中的一些可能是关键和有用的，而另一些可能是无用的。我们称属性为特征。特征识别是一个数据处理的过程。

传统算法通过标注各种特征来识别猫。只有大眼睛，胡子和图案。但是这个特写说有些猫和老虎不能分开，狗和猫不能分开。这个方法调用——个人来制定规则，机器学习这样的规则。深度学习方法呢？直接给你一百万张图，说这里有猫，再给你百万张图，说这里没有猫。然后训练一个深度网络，通过深度学习学习猫的特征，计算机就知道谁是猫了。

2.第二个例子是谷歌训练机器人抓取。传统的方法一定是在那里看到一个机械手，写一个函数，移动到xyz标记的空间点，用程序实现一次抓取。谷歌现在使用机器人训练一个深度神经网络，帮助机器人根据摄像头输入和电机命令预测抓取的结果。简单来说就是训练机器人手眼协调能力。机器人会观察自己的机械臂，实时修正抓取动作。

所有的行为都是通过学习自然产生的，而不是依赖于传统的系统程序。为了加快学习过程，谷歌使用了14个机器人同时工作。经过近3000小时的训练，相当于80万次抓取尝试，它开始看到智能反应行为的出现。公开资料显示，未经训练的机械手前30次的失败率为34%，但经过训练后，失败率降至18%。这是一个自我学习的过程。3.有人问，深度学习能学会写文章吗？

看看这个例子。斯坦福大学的计算机博士Andrejkapathy用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100轮，就叫写文章。100轮后，机器知道要求空格，但仍有乱码。500回合后，我能正确拼写一些短单词。1200回合后，还有标点符号和长词。2000回合后，更复杂的句子也能正确拼写。整个进化过程是怎样的？

以前我们写文章，只是讲主客体。在上述过程中，根本没有人告诉机器语法规则。甚至你不用告诉它标点和字母的区别。不要告诉机器任何程序。只要不断训练原始数据，一层一层，最后输出结果——就是一句可以理解的话。一切看起来都很有趣。人工智能和深度学习的妙处也在这里。

4.我还去硅谷看过一家公司，——，完全颠覆了之前的算法，用深度学习来收集图像深度信息。

众所周知，现在市面上已经有无人机了，可以实现人体追踪。它的方法是什么？一个人，在图像系统中，是一堆色块的组合。手动选择特征，例如颜色特征和渐变特征。以简单的颜色特征为例：比如你穿了绿色的衣服，突然走进草丛，你可能会丢失。或者，他脱了衣服，几个人靠得很近，容易走失。

此时，若想在这个基础上继续优化，将颜色特征进行某些调整，是非常困难的。而且调整后，还会存在对过去某些状况不适用的问题。

总之，这样的算法需要不停迭代，迭代又会影响前面的效果。

而硅谷这个团队，利用深度学习，把所有人脑袋做出来，只区分好前景和背景。区分之后，背景全部用数学方式随意填充，再不断生产大量背景数据，进行自学习。只要把前景学习出来就行。

据我所知，很多传统方法，还在采用双目视觉。用计算机去做局部匹配，再根据双目测出的两个匹配的差距，去推算空间另一个点和它的三角位置，从而判断离你多远。

可想而知，深度学习的出现，使得很多公司辛苦积累的软件算法直接作废了。

“算法为核心竞争力”，正在转变为，“数据为核心竞争力”。

技术人员必须进入新的起跑线。

5.最后再举个例子。

大家都做过胃镜。尤其胃痛，很痛苦。肠胃镜要分开做，而且小肠看不见。

有一家公司出了一种胶囊摄像头。吃进去后，在你的消化道，每5秒拍一幅图，连续摄像，此后再排出胶囊。所有关于肠道胃部的问题，全部完整记录。但医生光把那个图看完，就需要五个小时。原本的机器主动检测漏检率高，要医生复查。

后来，他们采用深度学习。采集8000多例图片数据灌进去，用机器不断学，不仅提高诊断精确率，减少了医生的漏诊，以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。

深度学习算法，可以帮助医生作出决策。

了解完深度学习，接着思考一个问题——20世纪70年代末80年代初，个人电脑突飞猛进时，人工智能的商业化却步履维艰。乔布斯曾这样定义个人计算机的价值——“它是我们思维的自行车”。那么，今天的人工智能呢？深度学习呢？它给我们真正带来的东西是什么？未来，对行业和社会有什么影响？中国公司的机会在哪？

以上知识分享希望能够帮助到大家！