1997年，世界國際象棋冠軍加里·卡斯帕羅夫對陣一個位“默默無聞”卻異常強大的對手——IBM的（巨型）超級計算機“深藍”。
在原先的比賽中加里都擊敗了對手。但是，1997年5月11日的比賽加里輸了，“深藍”成為了冠軍。
“深藍”是第一個在正規比賽中擊敗世界冠軍的計算機程序。
這次比賽吸引了全世界的目光，“深藍”為人工智能的發展奠定了不可估量基礎。同時，數據科學家和軟件工程師開始研究深度學習這個相對未知的領域。
在2018年，深度學習成為了一個熱門詞彙。根據Gartner的研究顯示，深度學習已經不屬於創新發展階段，它步入了人們所預期的頂峰階段。
深度學習這一理念還未成為當今社會的主流。然而，與深度學習相關的應用已經滲透到了我們生活的方方面面。
本文是深度學習的入門讀物。在這篇文章裡，作者試圖對基本概念提供一個簡單的解釋，討論其產生的原因，並共同探討深度學習的一些實際應用。
概念
我們首先對人工智能領域中的深度學習進行分類。
如上圖所示，深度學習是機器學習的一個子集。機器學習是人工智能（AI）的子集。而人工智能是機器智能化的領域。
基於規則的系統
現在我們做一個能夠識別電信公司客戶流失情況的系統。
方法一：制定一個能識別客戶流失情況的系統。通過它找出那些流失的客戶。（這是一項艱鉅的任務。）大量的因素以及不同的排列組合會給系統帶來難以言明的影響。這加劇了系統的不確定性，比如說客戶資料的變化或商業模式的變化，都會給系統帶來影響。
方法二：創建統計學習模型。它會從已流失的客戶信息中進行學習。然後生成特定“特徵”，它們會判斷這些“特徵”是否影響了客戶的流失。
要注意的是，這種機器學習模型會過於依賴人類提供的輸入樣本。為了使模型有效，輸入的樣本必須有效。而這也給建模者的直覺和對該領域知識的儲備提出了更高的要求。
深度學習系統
顯示的數據與預期輸出一致時，傳統的機器學習模型就可以正常工作了。然而，要考慮的是，由於潛在特徵的數量增加，識別正確的輸入特徵就成為了一項挑戰。所以，在傳統的機器學習模型開發中，大量時間都花費在了對特徵的建設上。比如說客戶流失的例子中，影響客戶流失的因素不止一種。其中一些是未知的，還有一些特性是派生的。
如果這些特徵可以自動學習會怎樣？有解決的方案嗎？
作者認為，深度學習是關鍵。系統基於深度學習，自動識別導致客戶流失的相關特徵，進而幫助人們獲得正確的數據。
自動學習特徵的過程被稱為表現性學習。
神經網絡：深度學習系統的基石
基於深度學習的系統會自動學習相關特徵以解決機器學習任務。
在這裡，需要補充的是，許多簡單的互相連接的節點組成了神經網絡。神經網絡的機器學習算法構建了深度學習網絡。深度神經網絡又是深度學習的基礎算法。
深度神經網絡有三種層次：
輸入層：流或輸入數據點
隱藏層：與輸入點互相連接的處理節點。一個深度神經網絡具有兩個以上的隱藏層。
輸出層：將處理後的信息轉換為可用輸出的節點。
在從簡單到複雜的模式識別中，神經網絡先在網絡的第一層學習簡單的特徵，一些節點根據定義的閾值被激活。這些被激活的節點會輸入到後續的網絡層中。以此類推，這是一個將簡單特徵組合起來以獲得複雜特徵的過程。這個過程將不斷重複，直到計算出輸出層中最終輸出的結果。
深度學習並非剛剛誕生。為什麼現在才流行起來？
深度學習的興起
1943年，Warren McCulloch寫了一篇關於神經元的論文。然而，受到以下兩個因素的限制，神經網絡發展備受阻礙：
缺乏大量可用的數據來訓練深度神經網絡。
訓練深度神經網絡需要大量的計算能力。
隨著大數據和雲計算的出現，這些問題迎刃而解。
如上圖所示，自2000年以來，計算能力增加了10,000倍，存儲數據的成本也下降了大約3000倍。由於互聯網的崛起，智能手機革命和社交媒體的興起，數據的創建數量呈指數級增長。數據無處不在。這三個要素為深度學習創造了一個完美的環境。人們重新燃起了對深度學習的研究的興趣。
主要應用
事實證明，深度學習可以幫助人們執行一些工作或任務。比如說，圖像識別、語音翻譯等。深度學習擅於識別圖像中的圖案或識別特定的對象。也擅於處理語言，理解並對它們做出區分。總的來說，深度學習被廣泛使用於：
計算機視覺
計算機視覺是一個跨學科領域，深度學習負責對圖像的理解。
比如說，
對象識別：對圖像或視頻流中的對象進行分類。
人臉識別：在圖像或視頻流中進行人臉識別。
自然語言處理
自然語言處理是將計算技術應用於自然語言（或語音）的分析與合成。
在2018年1月，深度學習在語音識別領域擊敗了人類。根據斯坦福問答數據集的內容，微軟和阿里巴巴的語音識別模型比人類更出色。
一些使用語音識別的應用程序是：
語音識別：對人類語言的識別。
意圖識別：識別對話或文本中的人的意圖（目的）。
語音到文本/文本到語音的轉換：將語音轉換為文本，或者相反。
結論
在這篇文章中，作者談到了深度學習的核心組成部分，討論了它增長的原因以及它主要應用於哪些方面。
深度學習是人工智能興起的核心，它是一個前景廣闊的領域。未來幾年，它將繼續得到越來越多的採用。深度學習應用程序也將繼續改變我們生活的世界。
閱讀更多 AI中國 的文章
