2.1.3　深度學(xué)習(xí)

深度學(xué)習(xí)作為目前機(jī)器學(xué)習(xí)領(lǐng)域最受關(guān)注的分支，是用于實(shí)現(xiàn)人工智能的關(guān)鍵技術(shù)。相比于傳統(tǒng)的機(jī)器學(xué)習(xí)，深度學(xué)習(xí)不再需要人工的方式提取特征，而是自動(dòng)從簡(jiǎn)單特征中提取、組合更復(fù)雜的特征，從數(shù)據(jù)中學(xué)習(xí)到復(fù)雜的特征表達(dá)形式并使用這些組合特征解決問(wèn)題。

早期的深度學(xué)習(xí)受到了神經(jīng)科學(xué)的啟發(fā)，深度學(xué)習(xí)可以理解為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)相關(guān)內(nèi)容將在2.2節(jié)中介紹）的拓展，如圖2-2所示。二者的相同之處在于，深度學(xué)習(xí)采用了與神經(jīng)網(wǎng)絡(luò)相似的分層結(jié)構(gòu)：系統(tǒng)是一個(gè)包括輸入層、隱藏層、輸出層的多層網(wǎng)絡(luò)。

通過(guò)以上描述可以簡(jiǎn)單理解，深度學(xué)習(xí)是基于多層神經(jīng)網(wǎng)絡(luò)的、以海量數(shù)據(jù)為輸入的規(guī)則自學(xué)習(xí)的方法。然而為什么一定是深度？深層神經(jīng)網(wǎng)絡(luò)相比淺層好在哪里？

深度學(xué)習(xí)在重復(fù)利用中間層計(jì)算單元的情況下，大大減少了參數(shù)的設(shè)定。深度學(xué)習(xí)通過(guò)學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，只需依賴簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)即可實(shí)現(xiàn)復(fù)雜函數(shù)的逼近，并展現(xiàn)了強(qiáng)大的從大量無(wú)標(biāo)注樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力。深度學(xué)習(xí)可以獲得更好的方法來(lái)表示數(shù)據(jù)的特征，同時(shí)由于模型的層次深、表達(dá)能力強(qiáng)，因此有能力處理大規(guī)模數(shù)據(jù)。對(duì)于圖像、語(yǔ)音這種直接特征不明顯（需要手工設(shè)計(jì)且很多特征沒(méi)有直觀的物理含義）的問(wèn)題，深度模型能夠在大規(guī)模訓(xùn)練數(shù)據(jù)上取得更好的效果。

圖2-2　深層神經(jīng)網(wǎng)絡(luò)

值得注意的是，深度學(xué)習(xí)不是萬(wàn)能的，像很多其他方法一樣，它需要結(jié)合特定領(lǐng)域的先驗(yàn)知識(shí)，需要結(jié)合其他方法才能得到最好的結(jié)果。此外，類似于神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)的另一局限性是可解釋性不強(qiáng)，像個(gè)“黑箱子”一樣難以解釋為什么能取得好的效果，以及不知如何針對(duì)性地改進(jìn)，而這有可能成為它前進(jìn)過(guò)程中的阻礙。