深度學(xué)習(xí)是機器學(xué)習(xí)中一種基于對數(shù)據(jù)進行表征學(xué)習(xí)的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實例中學(xué)習(xí)任務(wù)（例如，人臉識別或面部表情識別）。

深度學(xué)習(xí)的好處是用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來替代手工獲取特征。深度學(xué)習(xí)是機器學(xué)習(xí)研究中的一個新的領(lǐng)域，其動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像，聲音和文本。

人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)三者的關(guān)系

深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)

現(xiàn)實世界中很多的問題都可以歸為分類或者識別或者選擇的問題，比如下圍棋，下一步的棋子落在什么地方，就是此類問題。而研究此類問題，學(xué)術(shù)界研究出來一種叫做“神經(jīng)網(wǎng)絡(luò)”的學(xué)習(xí)策略。

深度學(xué)習(xí)的概念就源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

從X1/X2/X3輸入到輸出的過程，定義了一個層次的概念，譬如上圖就包括四層，包含最左邊的輸入層，和最右邊的輸出層。如果這是一道選擇題的話，那么題目就是輸入層，而ABCD的選擇結(jié)果就是輸出層，如上圖的L1和L2分別是輸入層和輸出層。

而選擇題解題的過程是不寫出來的，我們叫做”隱藏層“，這里L2和L3就是隱藏層，題目越難，給出的信息可能是越多的，而解題所需要的過程就越復(fù)雜的，也就可能需要更多的”隱藏層“來計算最終的結(jié)果。

最終要來解釋什么是深度學(xué)習(xí)的”深度“了，就是從”輸入層“到”輸出層“所經(jīng)歷層次的數(shù)目，即”隱藏層“的層數(shù)，層數(shù)越多，板凳的深度也越深。所以越是復(fù)雜的選擇問題，越需要深度的層次多。當然，除了層數(shù)多外，每層”神經(jīng)元“，也就是如上圖，橙色小圓圈的數(shù)目也要多。例如，AlphaGo的策略網(wǎng)絡(luò)是13層，每一層的神經(jīng)元數(shù)量為192個。

總結(jié)一句話，深度學(xué)習(xí)就是用多層次的分析和計算手段，得到結(jié)果的一種方法。深度學(xué)習(xí)是用于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并模仿人腦的機制來解釋數(shù)據(jù)的一種機器學(xué)習(xí)技術(shù)。

它的基本特點是試圖模仿大腦的神經(jīng)元之間傳遞、處理信息的模式，最顯著的應(yīng)用是計算機視覺和自然語言處理（NLP）領(lǐng)域。顯然，“深度學(xué)習(xí)”是與機器學(xué)習(xí)中的“神經(jīng)網(wǎng)絡(luò)”是強相關(guān)，“神經(jīng)網(wǎng)絡(luò)”也是其主要的算法和手段；或者我們可以將“深度學(xué)習(xí)”稱之為“改良版的神經(jīng)網(wǎng)絡(luò)”算法。

深度學(xué)習(xí)發(fā)展史

學(xué)習(xí)任一門知識都應(yīng)該先從其歷史開始，把握了歷史，也就抓住了現(xiàn)在與未來 —— by BryantLJ

起源階段

1943年，由神經(jīng)科學(xué)家麥卡洛克（W.S.McCilloch） 和數(shù)學(xué)家皮茲（W.Pitts）在《數(shù)學(xué)生物物理學(xué)公告》上發(fā)表論文《神經(jīng)活動中內(nèi)在思想的邏輯演算》（A Logical Calculus of the Ideas Immanent in Nervous Activity）。建立了神經(jīng)網(wǎng)絡(luò)和數(shù)學(xué)模型，稱為MP模型。

MP模型是模仿神經(jīng)元的結(jié)構(gòu)和工作原理，構(gòu)成出的一個基于神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，本質(zhì)上是一種“模擬人類大腦”的神經(jīng)元模型。當時是希望能夠用計算機來模擬人的神經(jīng)元反應(yīng)的過程，該模型將神經(jīng)元簡化為了三個過程：輸入信號線性加權(quán)，求和，非線性激活（閾值法）。如下圖所示

MP模型作為人工神經(jīng)網(wǎng)絡(luò)的起源，開創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)的新時代，也奠定了神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)。

1949年，加拿大著名心理學(xué)家唐納德·赫布在《行為的組織》中提出了與 “條件反射”機理一致的一種分類“網(wǎng)絡(luò)模型” —— 海布學(xué)習(xí)規(guī)則 （Hebb Rule），為以后的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法奠定了基礎(chǔ)，具有重大的歷史意義。

1958年，計算機科學(xué)家羅森布拉特（ Rosenblatt）提出了兩層神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)，稱之為“感知器”（Perceptrons）。感知器本質(zhì)上是一種線性模型，可以對輸入的訓(xùn)練集數(shù)據(jù)進行二分類，且能夠在訓(xùn)練集中自動更新權(quán)值。感知器的提出吸引了大量科學(xué)家對人工神經(jīng)網(wǎng)絡(luò)研究的興趣，對神經(jīng)網(wǎng)絡(luò)的發(fā)展具有里程碑式的意義。

1962年，該方法被證明為能夠收斂，理論與實踐效果引起第一次神經(jīng)網(wǎng)絡(luò)的浪潮。

1969年，“AI之父”馬文·明斯基和LOGO語言的創(chuàng)始人西蒙·派珀特共同編寫了一本書籍《感知器》，在其著作中證明了感知器本質(zhì)上是一種線性模型（linear model），只能處理線性分類問題，就連最簡單的XOR（亦或）問題都無法正確分類。人工神經(jīng)網(wǎng)絡(luò)進入了第一個寒冬期，神經(jīng)網(wǎng)絡(luò)的研究開始陷入了將近20年的停滯。

發(fā)展階段

1986年，由神經(jīng)網(wǎng)絡(luò)之父 Geoffrey Hinton 在1986年發(fā)明了適用于多層感知器（MLP）的BP（Backpropagation）算法，并采用Sigmoid進行非線性映射，有效解決了非線性分類和學(xué)習(xí)的問題。該方法引起了神經(jīng)網(wǎng)絡(luò)的第二次熱潮。

但是由于八十年代計算機的硬件水平有限，這就導(dǎo)致當神經(jīng)網(wǎng)絡(luò)的規(guī)模增大時，再使用BP算法會出現(xiàn)“梯度消失”的問題，誤差梯度傳到前層時幾乎為0，因此無法對前層進行有效的學(xué)習(xí)，該問題直接阻礙了深度學(xué)習(xí)的進一步發(fā)展。

此外90年代中期，支持向量機算法誕生（SVM算法）為代表的其它淺層機器學(xué)習(xí)算法被提出。在分類、回歸問題上均取得了很好的效果，其原理又明顯不同于神經(jīng)網(wǎng)絡(luò)模型，所以人工神經(jīng)網(wǎng)絡(luò)的發(fā)展再次進入了瓶頸期。

爆發(fā)階段

2006年，加拿大多倫多大學(xué)教授、機器學(xué)習(xí)領(lǐng)域泰斗、神經(jīng)網(wǎng)絡(luò)之父 —— Geoffrey Hinton 和他的學(xué)生 Ruslan Salakhutdinov 在頂尖學(xué)術(shù)刊物《科學(xué)》上發(fā)表了一篇文章，該文章提出了深層網(wǎng)絡(luò)訓(xùn)練中梯度消失問題的解決方案： 通過無監(jiān)督的學(xué)習(xí)方法逐層訓(xùn)練算法，再使用有監(jiān)督的反向傳播算法進行調(diào)優(yōu)，至此開啟了深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的浪潮。

2012年，Hinton課題組為了證明深度學(xué)習(xí)的潛力，首次參加ImageNet圖像識別比賽，其通過構(gòu)建的CNN網(wǎng)絡(luò)AlexNet一舉奪得冠軍，且碾壓第二名（SVM方法）的分類性能。也正是由于該比賽，CNN吸引到了眾多研究者的注意。

2014年，F(xiàn)acebook基于深度學(xué)習(xí)技術(shù)的DeepFace項目，在人臉識別方面的準確率已經(jīng)能達到97%以上，跟人類識別的準確率幾乎沒有差別。這樣的結(jié)果也再一次證明了深度學(xué)習(xí)算法在圖像識別方面的一騎絕塵。

2016年，隨著谷歌公司基于深度學(xué)習(xí)開發(fā)的AlphaGo以4:1的比分戰(zhàn)勝了國際頂尖圍棋高手李世石，深度學(xué)習(xí)的熱度一時無兩。2017年，基于強化學(xué)習(xí)算法的AlphaGo升級版AlphaGo Zero橫空出世。其采用“從零開始”、“無師自通”的學(xué)習(xí)模式，以100:0的比分輕而易舉打敗了之前的AlphaGo。

此外在這一年，深度學(xué)習(xí)的相關(guān)算法在醫(yī)療、金融、藝術(shù)、無人駕駛等多個領(lǐng)域均取得了顯著的成果。所以，也有專家把2017年看作是深度學(xué)習(xí)甚至是人工智能發(fā)展最為突飛猛進的一年。

深度學(xué)習(xí)的典型代表

在深度學(xué)習(xí)領(lǐng)域有兩個典型的代表：卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)。

· 卷積神經(jīng)網(wǎng)絡(luò)被廣泛的應(yīng)用在計算機視覺領(lǐng)域，比如說強大的AlphaGo就有用到卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)。

· 循環(huán)神經(jīng)網(wǎng)絡(luò)則被廣泛的應(yīng)用在語音識別處理領(lǐng)域，比如說百度翻譯、網(wǎng)絡(luò)音樂生產(chǎn)等。

深度學(xué)習(xí)又分為卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，簡稱CNN）和深度置信網(wǎng)（Deep Belief Nets，簡稱DBN）。其主要的思想就是模擬人的神經(jīng)元，每個神經(jīng)元接受到信息，處理完后傳遞給與之相鄰的所有神經(jīng)元即可。

卷積神經(jīng)網(wǎng)絡(luò)

1962年Hubel和Wiesel通過對貓視覺皮層細胞的研究，提出了感受野（receptive field）的概念，1984年日本學(xué)者Fukushima基于感受野概念提出的神經(jīng)認知機（neocognitron）可以看作是卷積神經(jīng)網(wǎng)絡(luò)的第一個實現(xiàn)網(wǎng)絡(luò)，也是感受野概念在人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域的首次應(yīng)用。

神經(jīng)認知機將一個視覺模式分解成許多子模式（特征），然后進入分層遞階式相連的特征平面進行處理，它試圖將視覺系統(tǒng)模型化，使其能夠在即使物體有位移或輕微變形的時候，也能完成識別。

隨著深度學(xué)習(xí)的繼續(xù)發(fā)展，受到貓腦視覺皮層研究中局部感受野的啟發(fā)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），通過稀疏連接、參數(shù)共享兩個思想改進了深度神經(jīng)網(wǎng)絡(luò)。左邊是CNN結(jié)構(gòu)，右邊是全連接形式的神經(jīng)網(wǎng)絡(luò)。

卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當前語音分析和圖像識別領(lǐng)域的研究熱點。它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。該優(yōu)點在網(wǎng)絡(luò)的輸入是多維圖像時表現(xiàn)的更為明顯，使圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。卷積網(wǎng)絡(luò)是為識別二維形狀而特殊設(shè)計的一個多層感知器，這種網(wǎng)絡(luò)結(jié)構(gòu)對平移、比例縮放、傾斜或者共他形式的變形具有高度不變性。

CNN是第一個真正成功訓(xùn)練多層網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)算法，它利用空間關(guān)系減少需要學(xué)習(xí)的參數(shù)數(shù)目以提高一般前向BP算法的訓(xùn)練性能，CNN作為一個深度學(xué)習(xí)架構(gòu)提出是為了最小化數(shù)據(jù)的預(yù)處理要求。在CNN中，圖像的一小部分（局部感受區(qū)域）作為層級結(jié)構(gòu)的最低層的輸入，信息再依次傳輸?shù)讲煌膶?，每層通過一個數(shù)字濾波器去獲得觀測數(shù)據(jù)的最顯著的特征。這個方法能夠獲取對平移、縮放和旋轉(zhuǎn)不變的觀測數(shù)據(jù)的顯著特征，因為圖像的局部感受區(qū)域允許神經(jīng)元或者處理單元可以訪問到最基礎(chǔ)的特征，例如定向邊緣或者角點。

深度學(xué)習(xí)的優(yōu)缺點

基于深度神經(jīng)網(wǎng)絡(luò)的端到端學(xué)習(xí)在最近幾年取得很大的成功，被大量應(yīng)用與計算機視覺、語音識別、自然語音處理、醫(yī)學(xué)圖像處理等領(lǐng)域中。

· 優(yōu)點：深度學(xué)習(xí)能讓計算機自動學(xué)習(xí)出模式特征，并將特征學(xué)習(xí)的特征融入到建模的過程中，從而減少了人為設(shè)計特征造成的不完備性。而目前有些深度學(xué)習(xí)，已經(jīng)達到了超越現(xiàn)有算法的識別或分類性能。

· 缺點：需要大數(shù)據(jù)支撐，才能達到高精度。由于深度學(xué)習(xí)中圖模型比較復(fù)雜，導(dǎo)致算法的時間復(fù)雜度急劇提升，需要更好的硬件支持。因此，只有一些經(jīng)濟實力比較強大的科研機構(gòu)或企業(yè)，才能夠用深度學(xué)習(xí)來做一些前沿而實用的應(yīng)用。

另外，紐約大學(xué)教授、人工智能創(chuàng)業(yè)者Gary Marcus在2018年對深度學(xué)習(xí)的作用、局限性和本質(zhì)進行了重要的回顧。他指出了深度學(xué)習(xí)方法的局限性 —— 即需要更多的數(shù)據(jù)、容量有限、不能處理層次結(jié)構(gòu)、無法進行開放式推理、不能充分透明、不能與先驗知識集成、不能區(qū)分因果關(guān)系。

他還提到，深度學(xué)習(xí)假設(shè)了一個穩(wěn)定的世界，以近似方法實現(xiàn)，工程化很困難并且存在著過度炒作的潛在風險。Marcus認為：深度學(xué)習(xí)需要重新概念化，并在非監(jiān)督學(xué)習(xí)、符號操作和混合模型中尋找可能性，從認知科學(xué)和心理學(xué)中獲得見解，并迎接更大膽的挑戰(zhàn)。

下面是深度學(xué)習(xí)目前的一些標志性公司以及代表性的技術(shù)。

· 語音識別技術(shù)：國內(nèi)公司訊飛、百度、阿里，國外公司亞馬遜，微軟等，行業(yè)應(yīng)用就是智能音箱等產(chǎn)品。

· 圖像識別技術(shù)：比如做安防的?？低?/u>，圖森科技，依圖科技，曠視科技，代表性的就是面部識別，人臉識別，刷臉解鎖、支付等。