3分钟看懂深度学习

想搞清楚什么是深度学习，要先从人工智能说起，自从 1956 年计算机科学家们在达特茅斯会议(Dartmouth Conferences)上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，我们梦想着拥有人类五感(甚至更多)、推理能力以及人类思维方式的神奇机器。当下，虽然梦想的局面还没有出现，但是稍微弱一点的人工智能已经大行其道了，比如：图像识别、语音识别、多语言翻译等。

机器学习是实现人工智能的一种重要方法。机器学习的概念来自早期的人工智能研究者，简单来说，机器学习就是使用算法分析数据，从中学习并自动归纳总结成模型，最后使用模型做出推断或预测。与传统的编程语言开发软件不同，我们使用大量的数据送给机器学习，这个过程叫做“训练”。

如上图，深度学习 ( Deep Learning ) 是机器学习中近年来备受重视的一支，深度学习根源于类神经网络模型，但今日深度学习的技术和它的前身已截然不同，目前最好的语音识别和影像辨识系统都是以深度学习技术来完成，去年红遍大街小巷的AlphaGo也是基于深度学习技术。

深度学习，顾名思义，它比过去的机器学习更有“深度”，或者换个说法，由于有了更多的隐藏层，它更加“聪明”，能够学习掌握过去普通机器学习难以解决的问题，或者准确率不高的问题。举个例子，图像识别（最经典的就是识别图像中的猫），在有了深度学习技术以后，准确率突飞猛进，现在已经达到甚至超过了人类的识别能力了，这都是因为深度学习能够捕捉更多的细节，从而能够据此进行准确的判断。

理解了深度学习的背景，我们再来说说如何进行深度学习，这个听起来十分高大上的概念说起来其实非常简单，就像把大象装进冰箱一样，只有三步：

构建模型

伟大的深度学习科学家们，已经为我们打好了基础，我们只需要分析我们要解决的问题，然后参考业内的实践，选择一个模型就可以，并把他搭建起来就好了。不同的模型擅长解决不同的问题，比如：CNN多用来解决图像识别检测类的问题，RNN用来处理文字等序列问题。选对适当的模型，是深度学习的关键，选错了，就好比我们在狗和猫之间选择把猫训练成“警猫”一样，最终导致失败。

准备数据

数据的数量、和质量是决定学习效果的另一个关键要素。数据量太少，就好比刚把高一读完，就要去高考，显然不能掌握足够的知识。数据质量不佳，相当于教材有错误，学得越多，说不定成绩越差。

学习

有了模型和数据，我们就可以开动机器，让计算机在程序控制下，按照我们构建的模型进行自主学习了，这个过程不需要人干预。大多数情况下，深度学习工程师们可以去安心睡觉了。深度学习的学习过程，是一个密集的计算过程，要消耗大量的计算资源，短的学习过程可能几小时，长的可能要几个星期。

在大数据火了之后，人工智能深度学习紧接着就火了，其实这也是一脉相承的。如果说大数据是金矿，那么深度学习就是一个勤劳的炼金师傅，能够源源不断地从大数据中开采出闪闪发光的金子来。