現(xiàn)在的 AI 技術(shù)在整個(gè)科技界大受追捧，有我們熟知的 AlphaGo 與李世石和柯潔的人機(jī)大戰(zhàn)，也有在《最強(qiáng)大腦》節(jié)目上，小度機(jī)器人的驚艷表現(xiàn)，還有科大訊飛所推出的實(shí)時(shí)翻譯機(jī)，這些都是 AI 技術(shù)所引起的一場(chǎng)科技的巨大進(jìn)步。
想想以后家有一個(gè)超級(jí)棒的 AI 管家?guī)湍阒悄苷{(diào)控關(guān)于你的飲食起居，他能記錄你的睡眠，你的生活習(xí)性，并保證家里的安全，出門(mén)忘了關(guān)閉電器，也能輕輕松松幫你搞定，想想都覺(jué)得很興奮。
出門(mén)也不用自己開(kāi)車(chē)，自動(dòng)駕駛技術(shù)輕輕松松幫你搞定。出國(guó)在外，再也不怕聽(tīng)不懂對(duì)方的語(yǔ)言，有了語(yǔ)言翻譯機(jī)，就能超級(jí)愉快的跟世界上各個(gè)地方的人愉快的交流了。
上面所講述的一切，都是基于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)實(shí)現(xiàn)的。
一、什么是神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)是一種基于人腦機(jī)制的強(qiáng)大的學(xué)習(xí)型算法。
它又可以分成單神經(jīng)網(wǎng)絡(luò)和多神經(jīng)網(wǎng)絡(luò)。
- 單神經(jīng)網(wǎng)絡(luò)
其實(shí)單神經(jīng)網(wǎng)絡(luò)很好理解，就是一個(gè)輸入一個(gè)輸出。
其實(shí)就是一個(gè)輸入一個(gè)輸出了，類(lèi)似我們初中所學(xué)習(xí)的函數(shù)。
y = ax + b
是不是很簡(jiǎn)單，就是當(dāng)我們輸入一個(gè)固定 x 的時(shí)候有唯一的 y 與之對(duì)應(yīng)。
看我們上面的函數(shù)圖像，是一個(gè)面積和售價(jià)的函數(shù)，它是根據(jù)一些已存在的數(shù)據(jù)（紅叉）在坐標(biāo)軸上的分布情況，用了一條直線去擬合這些數(shù)據(jù)從而生成的一條直線函數(shù)，因?yàn)榉课莸膬r(jià)格不可能小于 0 ，所以當(dāng)小于某一點(diǎn)的時(shí)候就成了一條水平的直線。只要我們選定房屋的面積都會(huì)有一個(gè)唯一的價(jià)格與之對(duì)應(yīng)，這就是一個(gè)簡(jiǎn)單的單神經(jīng)網(wǎng)絡(luò)。
上圖中的圖形就是一個(gè)最最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，就是只有一個(gè)神經(jīng)元（圓形）的神經(jīng)網(wǎng)絡(luò)。
- 多神經(jīng)網(wǎng)絡(luò)
其實(shí)簡(jiǎn)單點(diǎn)來(lái)講就是多個(gè)輸入對(duì)應(yīng)一個(gè)輸出。
y = f ( x1, x2, x3, x4 ...)
就是上面的四個(gè)輸入 x1, x2, x3, x4 都能對(duì) y 產(chǎn)生影響，所以我們要構(gòu)建更多的神經(jīng)元去處理這些輸入的變量值，這樣我們就能得到一個(gè)相對(duì)比較正確的 y 值。
可以看到現(xiàn)在房屋的價(jià)格不僅僅跟面積有關(guān)，它還跟臥室數(shù)，郵編，天氣數(shù)據(jù)相關(guān)，這里我們可以看到由我們之前的一個(gè)神經(jīng)元變成了四個(gè)神經(jīng)元。所以一旦 y 所依賴的因素過(guò)高，就會(huì)造成神經(jīng)網(wǎng)絡(luò)的復(fù)雜度呈幾何倍數(shù)增長(zhǎng)。
二、深度學(xué)習(xí)又是什么
其實(shí)深度學(xué)習(xí)是跟神經(jīng)網(wǎng)絡(luò)捆綁到一起的，所謂深度就是上面我們所看到的圓圈的層數(shù)，當(dāng)層數(shù)越來(lái)越多，就是網(wǎng)絡(luò)結(jié)構(gòu)更深，通過(guò)這種結(jié)構(gòu)去學(xué)習(xí)，就是所謂的深度學(xué)習(xí)。
三、用神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)
就是通過(guò)一些已有的輸入和輸出數(shù)據(jù)，對(duì)我們所構(gòu)建的模型進(jìn)行訓(xùn)練，其實(shí)訓(xùn)練不過(guò)就是對(duì)過(guò)程中的各個(gè)值進(jìn)行調(diào)整，在這些數(shù)據(jù)的監(jiān)督下，我們就能訓(xùn)練出一個(gè)符合這些輸入和輸出的網(wǎng)絡(luò)。
上圖中，我們可以看到對(duì)應(yīng)不同的數(shù)據(jù)形式，我們就會(huì)選擇更擅長(zhǎng)處理這些數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。比如通過(guò)房屋的特性去預(yù)測(cè)房屋的價(jià)格就比較適合使用標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)（SNN）進(jìn)行，對(duì)一些圖片的識(shí)別，就比較適合用卷積神經(jīng)網(wǎng)絡(luò)（CNN）去訓(xùn)練，而對(duì)一些有時(shí)間順序的數(shù)據(jù)就比較適合使用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）去訓(xùn)練，當(dāng)然對(duì)于一些更復(fù)雜的比如汽車(chē)自動(dòng)駕駛，這就需要混合使用多種神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
下圖分別是標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的圖示。
當(dāng)然由于輸入數(shù)據(jù)的差別，我們也會(huì)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)，可分為結(jié)構(gòu)化的數(shù)據(jù)和非結(jié)構(gòu)化的數(shù)據(jù)，從下圖中我們便能清楚的認(rèn)識(shí)它們之間的區(qū)別。
四、總結(jié)
上圖是一個(gè)數(shù)據(jù)量和表現(xiàn)性能的圖。一般來(lái)說(shuō)我們訓(xùn)練一個(gè)模型，往往根據(jù)的是線的走勢(shì)區(qū)域平緩，我們才能認(rèn)為這個(gè)模型穩(wěn)定，才能被應(yīng)用于實(shí)踐。
上圖中從下到上的四條線分別代表的是傳統(tǒng)學(xué)習(xí)算法、小型神經(jīng)網(wǎng)絡(luò)，中型神經(jīng)網(wǎng)絡(luò)和大型神經(jīng)網(wǎng)絡(luò)。可以看到越往上，所需要的數(shù)據(jù)越多，所以對(duì)待特定問(wèn)題，我們要選用特定的模型去處理。
推動(dòng)深度學(xué)習(xí)最重要的三要素分別是：數(shù)據(jù)、計(jì)算能力和算法，通過(guò)他們的相輔相成才能使得深度學(xué)習(xí)發(fā)揮更加強(qiáng)大的力量，而且隨著科技的發(fā)展，這三要素在以后也會(huì)有更大的進(jìn)度，因此我們相信深度學(xué)習(xí)在未來(lái)是有很大前程的一個(gè)方向。
