你一定听过“机器学习”和“深度学习”这两个词，它们究竟指什么？有何区别？如何在无人驾驶领域发光发热？
汽车人参考用白话语言，预计四篇文章，一起探讨机器学习和深度学习在无人驾驶领域的应用，本文为第二篇文章，主要介绍深度学习。
第一篇为机器学习篇，第三篇为深度学习与机器学习比较；第四篇为应用篇，请关注汽车人参考后续更新。
深度学习，英文名称为Deep Learning，又称为深层神经网络（Deep Neural Networks），深度学习是机器学习的一个分支。
机器学习的本质是用计算机来模拟人类学习活动，那么相比于机器学习，深度学习的“深”究竟深在什么地方？
人脑神经网络：神经元
深度学习最早来源于对人脑神经网络的研究。
人的大脑是由数以千亿个神经元组成，神经元是人脑神经系统的基本单位。
神经元主要包括细胞体和突起两个部分，神经元通过突触相互连接着，形成了人类大脑的神经网络。
神经元的突起包括一条长而分支少的称为轴突，数条短而呈树状分支称为树突，人的视觉、听觉、思考等行为通过树突刺激神经元，神经元受刺激后能产生兴奋，再通过轴突把兴奋传导到其他神经元，如图一。
（图一：人脑神经元结构）
兴奋的传导方向：树突→细胞体→轴突。
感知机 = 神经元
而深度学习的基础，感知机（英文Perceptron），其灵感就来自于人脑的神经元结果。
感知机是深度学习最简单的决策机器，就好比一个神经元，也有树突和轴突，如下图二。
树突负责数据输入，轴突根据输入，是否超过一定的阀值，决定传不传递兴奋，放不放电。
图二：神经网络模型
上图为一个简单的神经网络的逻辑结构，分成输入层，隐藏层，和输出层。
输入层负责接收信号，隐藏层负责对数据进行处理，处理的结果被整合到输出层。
每层中的一个圆代表一个神经元，也叫做节点，若干个神经元组成了一个层，若干个层再组成了一个网络，就组成了"神经网络"。
而深度学习，就是基于神经网络模型，它的“深”，就体现在模型的层数以及每一层节点数量的多少。
深度学习的基本原理
学习目的是为了训练出一个成熟的模型，模型是否成熟评判的标准简单来说是输入值和目标值是否一致。
深度学习，会在神经网络每一层，找到权重值，使得该层网络将输入与目标对应。
图三：深度学习原理
最初的权重是随机赋值的，因此，输出值和目标值相去甚远，通过损失函数算出的损失值也很高。
将损失值进行反向传播（Back propagation），利用优化器对权重不断进行调整，目标是让损失值降低。
随着神经网络处理的输入示例越来越多，当循环足够多时，得到的权重值可以使损失函数最小，这个时候便完成了深度学习的训练。
这就是深度学习的基本原理。
根据生物学研究，一个成年人的大脑拥有1000亿多个神经元，而目前最先进的人工神经网络只包含10多亿个神经元。
目前，深度学习已经广泛应用于无人驾驶领域，如环境感知，用来识别周围环境，也可以用于路径规划，作出决策等等。
本文为“汽车人参考”原创，如果您觉得文章不错，请转发此文，关注“汽车人参考”是对我们最大的支持。
閱讀更多 汽車人蔘考 的文章
