自從2016年Alphago 大敗圍棋世界冠軍李世石以來，“AI（人工智能）”、“深度學習”、“人工神經網絡”等詞大熱。“
深度學習”出現的地方似乎總少不了“人工神經網絡”，反之亦然。這是為啥子嘞？朋友們有沒有想過背後的原因？
深度學習是一類機器學習算法，使用多個層逐步從原始輸入中提取更高級別的特徵。例如在圖像處理中，較低層可以識別邊緣，而較高層可以識別出更復雜的特徵，比如數字或字母或人臉。
大多數現代深度學習模型都基於人工神經網絡，特別是卷積神經網絡（Convolutional Neural Networks，CNN）。此外，使用深度學習的架構還有深度神經網絡，深度信念網絡，遞歸神經網絡。深度學習廣泛應用於諸多領域，例如計算機視覺，語音識別，自然語言處理，音頻識別，社交網絡過濾，機器翻譯，生物信息學，藥物設計，醫學圖像分析，材料檢查和棋盤遊戲程序。在這些領域，深度學習算法給出了和人類專家相當的結果，甚至在一些地方超越了人類專家。
為何基於人工神經網絡的深度學習如此強大呢？
通過前面的一篇文章，我們知道，計算機識圖需要經過兩個步驟：特徵提取和特徵分類。大家能瞬間看出鳥和飛機的區別，但是計算機要經過一系列複雜的運算才能提取出來“有沒有眼睛”這一特徵，而且選取哪個特徵往往需要人去手工設計，而手工設計的特徵往往很難表現“頭髮是否濃密”這一抽象概念。深度神經網絡可以做到自動從眾多圖片中學習有效的特徵，而且將特徵提取和特徵分類這兩個獨立的步驟合二為一。可以說神經網絡就像是一個黑箱子，你只管輸入，它自動會給你反饋結果。
在深度學習領域，另一個被津津樂道的例子就是曾經的計算機視覺領域的世界級大賽——Image Net挑戰賽。它的其中一項比賽內容是讓計算機對1000類圖片進行分類，比賽從2010年開始，一年舉辦一次，前兩年的最好比賽成績，其分類錯誤率也在25%以上，遠高於人類的分類錯誤率5.1%。直到2012年，事情才迎來了轉機，來自加拿大多倫多大學的團隊放棄大家普遍採用的手工特徵設計，採用了深度神經網絡的方法，一下子將圖片分類的錯誤率降低了10%左右。自此，更多的團隊通過神經網絡的方法來實現圖片的有效分類，2015年將計算機分類錯誤率降至4.9%，正確率第一次趕超人類；2017年錯誤率一度低至2.3%，同時這也是比賽的最後一年，因為計算機已經相當擅長圖片分類了。
深度神經網絡由很多按一定順序排列的層構成，一般有卷積層、ReLU（線性整流單元）非線性激活層、池化層、全連接層、softmax歸一化指數層等。每一層都有自己獨特的作用。想了解具體每一層的作用，有志於啃硬骨頭的朋友可自行學習，網絡上和微信讀書上均有很多入門書籍可供參考。
歡迎拓展學習！學習中遇到疑問歡迎留言哦，和小博一起探討！
閱讀更多 科普苑 的文章
