你一定聽過“機器學習”和“深度學習”這兩個詞，它們究竟指什麼？有何區別？如何在無人駕駛領域發光發熱？
汽車人參考用白話語言，預計四篇文章，一起探討機器學習和深度學習在無人駕駛領域的應用，本文為第二篇文章，主要介紹深度學習。
第一篇為機器學習篇，第三篇為深度學習與機器學習比較；第四篇為應用篇，請關注汽車人參考後續更新。
深度學習，英文名稱為Deep Learning，又稱為深層神經網絡（Deep Neural Networks），深度學習是機器學習的一個分支。
機器學習的本質是用計算機來模擬人類學習活動，那麼相比於機器學習，深度學習的“深”究竟深在什麼地方？
人腦神經網絡：神經元
深度學習最早來源於對人腦神經網絡的研究。
人的大腦是由數以千億個神經元組成，神經元是人腦神經系統的基本單位。
神經元主要包括細胞體和突起兩個部分，神經元通過突觸相互連接著，形成了人類大腦的神經網絡。
神經元的突起包括一條長而分支少的稱為軸突，數條短而呈樹狀分支稱為樹突，人的視覺、聽覺、思考等行為通過樹突刺激神經元，神經元受刺激後能產生興奮，再通過軸突把興奮傳導到其他神經元，如圖一。
（圖一：人腦神經元結構）
興奮的傳導方向：樹突→細胞體→軸突。
感知機 = 神經元
而深度學習的基礎，感知機（英文Perceptron），其靈感就來自於人腦的神經元結果。
感知機是深度學習最簡單的決策機器，就好比一個神經元，也有樹突和軸突，如下圖二。
樹突負責數據輸入，軸突根據輸入，是否超過一定的閥值，決定傳不傳遞興奮，放不放電。
圖二：神經網絡模型
上圖為一個簡單的神經網絡的邏輯結構，分成輸入層，隱藏層，和輸出層。
輸入層負責接收信號，隱藏層負責對數據進行處理，處理的結果被整合到輸出層。
每層中的一個圓代表一個神經元，也叫做節點，若干個神經元組成了一個層，若干個層再組成了一個網絡，就組成了"神經網絡"。
而深度學習，就是基於神經網絡模型，它的“深”，就體現在模型的層數以及每一層節點數量的多少。
深度學習的基本原理
學習目的是為了訓練出一個成熟的模型，模型是否成熟評判的標準簡單來說是輸入值和目標值是否一致。
深度學習，會在神經網絡每一層，找到權重值，使得該層網絡將輸入與目標對應。
圖三：深度學習原理
最初的權重是隨機賦值的，因此，輸出值和目標值相去甚遠，通過損失函數算出的損失值也很高。
將損失值進行反向傳播（Back propagation），利用優化器對權重不斷進行調整，目標是讓損失值降低。
隨著神經網絡處理的輸入示例越來越多，當循環足夠多時，得到的權重值可以使損失函數最小，這個時候便完成了深度學習的訓練。
這就是深度學習的基本原理。
根據生物學研究，一個成年人的大腦擁有1000億多個神經元，而目前最先進的人工神經網絡只包含10多億個神經元。
目前，深度學習已經廣泛應用於無人駕駛領域，如環境感知，用來識別周圍環境，也可以用於路徑規劃，作出決策等等。
本文為“汽車人參考”原創，如果您覺得文章不錯，請轉發此文，關注“汽車人參考”是對我們最大的支持。
閱讀更多 汽車人蔘考 的文章
