其實，深度學習就像探尋外太空的生命一樣，充滿著夢幻色彩，是人類的美好想象。以前的電腦，能快速的運算並存儲數據，並沒有任何的“自我”意識。現如今，電腦技術迅速發展，電腦可以表現的非常強大，“深度學習”初成型。
大家應該都知道“圖靈試驗”的設想，簡而言之，就是隔牆對話，你並不能通過聽覺來區分人類與機器。這個1950年的設想，給了人們很大的希望和失望。因為過了大半個世紀，直到現在，機器學習領域才取得了突破性的進展。人們知道了計算機不僅僅只限於對大數據的處理能力，還依賴於算法，這個算法稱為“深度學習”算法。
深度學習是一個框架，其包含了多個重要算法：
Convolutional Neural Networks(CNN)卷積神經網絡
AutoEncoder自動編碼器
Sparse Coding稀疏編碼
Restricted Boltzmann Machine(RBM)限制波爾茲曼機
Deep Belief Networks(DBN)深信度網絡
Recurrent neural Network(RNN)多層反饋循環神經網絡神經網絡
其中，卷積神經網絡（CNN）是人工神經網絡的一種亦或是多層神經網絡，擅長處理圖像的一種算法。我為大家簡單介紹下卷積神經網絡的大致組成部分：卷積層、池化層、全連接層。其中，卷積層與池化層相互配合：
卷積神經網絡由兩類神經元作用：一個叫C（convolution），卷積，卷積操作主要用來提取事物的特徵；一個叫S（subsampling），下采樣，也可以叫做特徵映射，其實就是池化操作。如圖：
卷積神經網絡的概念示範：輸入圖像通過和三個可訓練的濾波器和可加偏置進行卷積，濾波過程，卷積後在C1層產生三個特徵映射圖，然後特徵映射圖中每組的四個像素再進行求和，加權值，加偏置，通過一個Sigmoid函數（使得特徵映射具有位移不變性）得到三個S2層的特徵映射圖。這些映射圖再進過濾波得到C3層。這個層級結構再和S2一樣產生S4。最終，這些像素值被光柵化，並連接成一個向量輸入到傳統的神經網絡，得到輸出。
全連接層常簡稱為 FC（Fully Connected Layer），在整個卷積神經網絡中起到“分類器”的作用。如果說卷積與池化的基本單元是局部視野，用它類比我們的眼睛的話，它能將接收的輸入中的各個特徵提取出來；至於FC、則可以類比我們的神經網絡（甚至說、類比我們的大腦），它能夠利用得到的信號（特徵）來做出相應的決策。概括地說、CNN 視卷積與池化為“眼”而全連接為“腦”，眼腦結合則決策自成。
歡迎百度“於洪康” ，聯繫作者，即可獲取OCR識別開發包和測試授權，進行接口開發及軟件測試。
閱讀更多 OCR磚家於洪康 的文章
