什么是深度学习（Deep Learning） – AI百科知识

什么是深度学习

深度学习（Deep Learning）是机器学习的一个子集，而机器学习又是人工智能的一个分支，它使计算机能够从数据中学习，并完成通常需要人类智能才能胜任的任务。深度学习采用人工神经网络——一种受人脑结构与功能启发的算法，能够从海量数据中学习，并据此进行预测或分类。

深度学习的工作原理

深度学习通过在神经网络中构建多层神经元来工作：每一层都对输入数据执行一定计算，再将结果传递给下一层。

1. 第一层称为输入层，负责接收原始数据，例如图像、文本或声音。
2. 中间的层称为隐藏层，能够从数据中提取特征或模式，并将其转换为更高层次的表示。
3. 最后一层称为输出层，负责产生最终结果，例如标签或分数。

神经元之间的连接与权重相关联，权重决定了一个神经元对另一个神经元的影响程度。权重在初始时是随机的，并在训练过程中通过反向传播这一过程进行调整：先将网络输出与期望输出（真实值）进行比较，计算误差度量（损失函数），再将误差沿网络反向传播，依据一定规则（优化算法）更新权重。

深度学习的训练过程需要大量标注数据，也就是说每个输入样本都对应一个已知的输出值。例如，若要训练一个识别手写数字的神经网络，就需要数千张带有相应标签（0-9）的数字图像。网络通过寻找数据中的模式与相关性来学习，从而不断减少错误、提升准确率。

深度学习与机器学习的不同点

深度学习虽属于机器学习的子集，但二者在数据要求、计算能力、特征提取和性能等方面存在若干区别。

1. 数据要求：机器学习算法通常使用结构化数据，即每个输入样本都具有固定数量的特征，这些特征预先定义好并组织在表格中。例如，若要根据花的特征对花进行分类，就需要测量花瓣长度、花瓣宽度、萼片长度、萼片宽度等特征。而深度学习算法能够处理没有预定义特征的非结构化数据，如图像、文本或声音，它们在大小和格式上也可以各不相同；深度学习算法能够自动从原始数据中提取特征，并学习层次化的表示。
2. 计算能力：机器学习算法可以在标准 CPU 上运行，不需要太多内存或存储空间。深度学习算法则需要高性能 GPU 或专用硬件来处理海量数据和复杂计算，并需要更多内存与存储空间来保存过程中的中间结果和参数。
3. 特征提取：机器学习算法依赖技术人员为每个问题领域定义和挑选相关特征，这一过程既费时又主观，也未必能覆盖数据的所有方面。而深度学习算法通过多层神经元自动从原始数据中提取特征，从而省去了部分人工工作，减少了人为干预与偏见，也带来了更强的泛化与适应能力。
4. 性能：机器学习算法在许多问题上都能取得不错的结果，但面对高维输入、非线性关系或噪声数据等复杂任务时可能力有不逮。而深度学习算法则能在许多富有挑战性的问题上取得领先结果，例如计算机视觉、自然语言处理、语音识别、机器翻译等，有时甚至超过人类水平。它们处理噪声数据的能力也优于机器学习算法，因为可以从海量数据中学习到稳健的表示。

流行的深度学习开发框架

深度学习框架是一类软件库或工具，用于帮助数据科学家和开发人员更轻松、更高效地构建与部署深度学习模型。它们抽象掉底层算法和硬件的低级细节，并提供用于创建、训练、测试和部署各类神经网络的高级 API 与功能。当今最流行的深度学习框架包括：

• TensorFlow：谷歌开发的开源平台，支持 Python、C++、Java、Go 等多种语言，可运行在 CPU、GPU、TPU 以及移动设备上。它为分布式处理和生产环境提供了灵活且可扩展的架构。
• PyTorch：Facebook 开发的开源框架，基于 Torch——一个用于 Lua 的科学计算库。它以 Python 为主要语言，可在 CPU 和 GPU 上运行。它提供动态计算图，相比 TensorFlow 的静态图具有更大的灵活性和交互性。
• Keras：可运行在 TensorFlow、Theano 或 CNTK 之上的高级 API。它以 Python 为主要语言，可在 CPU 和 GPU 上运行。它提供简洁友好的界面，用于构建常见类型的神经网络，如卷积神经网络（CNN）或循环神经网络（RNN）。
• SciKit-Learn：一个流行的 Python 机器学习库，也支持部分深度学习功能，如神经网络模型、特征提取、降维等，只能在 CPU 上运行。
• Apache MXNet：一个开源框架，支持 Python、R、Scala、Julia 等多种语言。它可在 CPU 和 GPU 上跨多种设备运行。它提供声明式编程风格，便于并行化和优化。

其他深度学习框架还包括Caffe（计算机视觉应用框架）、Theano（Python 符号数学库）、Deeplearning4j（Java 框架）、MATLAB（数值计算环境）、Sonnet（建立在 TensorFlow 之上的库），以及百度推出的飞桨PaddlePaddle。

深度学习的应用场景

在图像识别、自然语言处理、语音识别等各类任务中，深度学习都能达到很高的准确率，有时甚至超过人类表现。下面是一些例子，说明深度学习如何凭借其从数据中学习并执行复杂任务的能力，正在改变各行各业：

• 计算机视觉：深度学习可用于自动检测图像和视频中的物体、人脸、场景与活动。例如，无人驾驶汽车正是依靠深度学习来识别交通标志、行人和其他车辆。
• 自然语言处理：深度学习可用于分析文本和语音数据，服务于情感分析、机器翻译、文本摘要、问答和聊天机器人等任务。
• 医疗健康：深度学习可用于疾病诊断、新药发现、医学影像分析和个性化治疗。例如，深度学习可以帮助从显微图像中检测癌细胞。
• 金融：深度学习可用于预测市场趋势、检测欺诈、优化投资组合和提供客户服务。例如，深度学习可以帮助分析信用卡交易并标记可疑活动。
• 农业：深度学习可用于监测作物、优化产量、检测病虫害。例如，深度学习可以帮助从航拍图像中识别杂草。
• 网络安全：深度学习可用于检测恶意软件攻击。例如，深度学习可以帮助识别恶意文件或网络入侵。