深度學習是什麼東西呢？深度學習的概念源於 人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分佈式特徵表示，也許這樣專業的解釋也許大家並不太懂，無人駕駛更是一知半解。我從研究深度學習算法運用三年的經歷上獲得的一些專業知識來提煉出一些大眾容易理解的原理性闡述。
自動駕駛
通熟易懂地解釋人工智能
人工智能開始火了，大家開始對人工智能開始談論的時候也許源於“圍棋挑戰賽”，世界頂尖高手最終被一隻機器“狗”戰敗了。它的致命法寶正是模仿人類的“深度學習”工作原理。機器人到底是怎麼像人類一樣學習呢？真的可以運用到自動駕駛中來服務人類嗎？和人一樣思考和判別嗎？
人與“狗”的智力決鬥
首先我們從深度學習的大腦開始解剖，深度學習的大腦是一對複雜的計算公式，從公式的一端給予輸入條件，計算之後就會得到輸出結果。公式裡面涵蓋的很多參數，這些參數可以理解為深度學習網絡通過大量樣本訓練的結果。下圖左邊就是輸入條件，可以是一副圖片的數據，比如自動駕駛汽車的前置攝像頭；也可也一些物理量，比如一些距離傳感器測到的前面的障礙物距離信息。那麼輸出又是什麼東西呢？輸出層就是下圖的右側，通過多層神經網絡的運算得出的結果，該結果應該是駕駛的決策，比如剎車控制、油門控制和方向盤角度。
深度學習網絡模型
專業解釋核心算法卷積運算
卷積神經網絡（ConvoluTIonal Neural Network,CNN）是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元，對於大型圖像處理有出色表現。主要用該算法來處理圖像運算。CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。由於CNN的特徵檢測層通過訓練數據進行學習，所以在使用CNN時，避免了顯示的特徵抽取，而隱式地從訓練數據中進行學習；再者由於同一特徵映射面上的神經元權值相同，所以網絡可以並行學習，這也是卷積網絡相對於神經元彼此相連網絡的一大優勢。卷積神經網絡以其局部權值共享的特殊結構在語音識別和圖像處理方面有著獨特的優越性，其佈局更接近於實際的生物神經網絡，權值共享降低了網絡的複雜性，特別是多維輸入向量的圖像可以直接輸入網絡這一特點避免了特徵提取和分類過程中數據重建的複雜度。
秒懂解釋核心算法
其實卷積計算就是通過矩陣運算對圖像上的一定範圍的特徵數據進行提取，通過特徵來運算出最終的結果。該過程可以通過一副動態圖片來解釋，其實所有的圖形數據都是由一個個像素點數據組成，每個像素點數據是可以一個整數，可以用來運算的。
那麼，深度學習如何用於自動駕駛呢？自動駕駛是需要汽車像人的大腦一樣來辨識一些車前出現的事物並做出決策。深度學習網絡相當於是人的大腦，對安裝在車前的攝像頭的圖像進行採集，並通過卷積神經網絡來提出圖像的特徵，通過模型計算來得出幾個輸出量，比如加速、減速、剎車、方向盤的角度等信息。這是作為深度學習技術宅男的簡單解釋。
深度學習自動駕駛仿真
但是，深度學習或者說人工智能技術目前是不能做到100%的，這個是至關重要的問題，這是現在深度學習一直無法實現應用的原因之一。因為任何一個駕駛者都不願把生命交給一個無法100%的概率性事件上。
分享到:
閱讀更多 知言視訊汽車 的文章
