自从2016年Alphago 大败围棋世界冠军李世石以来，“AI（人工智能）”、“深度学习”、“人工神经网络”等词大热。“
深度学习”出现的地方似乎总少不了“人工神经网络”，反之亦然。这是为啥子嘞？朋友们有没有想过背后的原因？
深度学习是一类机器学习算法，使用多个层逐步从原始输入中提取更高级别的特征。例如在图像处理中，较低层可以识别边缘，而较高层可以识别出更复杂的特征，比如数字或字母或人脸。
大多数现代深度学习模型都基于人工神经网络，特别是卷积神经网络（Convolutional Neural Networks，CNN）。此外，使用深度学习的架构还有深度神经网络，深度信念网络，递归神经网络。深度学习广泛应用于诸多领域，例如计算机视觉，语音识别，自然语言处理，音频识别，社交网络过滤，机器翻译，生物信息学，药物设计，医学图像分析，材料检查和棋盘游戏程序。在这些领域，深度学习算法给出了和人类专家相当的结果，甚至在一些地方超越了人类专家。
为何基于人工神经网络的深度学习如此强大呢？
通过前面的一篇文章，我们知道，计算机识图需要经过两个步骤：特征提取和特征分类。大家能瞬间看出鸟和飞机的区别，但是计算机要经过一系列复杂的运算才能提取出来“有没有眼睛”这一特征，而且选取哪个特征往往需要人去手工设计，而手工设计的特征往往很难表现“头发是否浓密”这一抽象概念。深度神经网络可以做到自动从众多图片中学习有效的特征，而且将特征提取和特征分类这两个独立的步骤合二为一。可以说神经网络就像是一个黑箱子，你只管输入，它自动会给你反馈结果。
在深度学习领域，另一个被津津乐道的例子就是曾经的计算机视觉领域的世界级大赛——Image Net挑战赛。它的其中一项比赛内容是让计算机对1000类图片进行分类，比赛从2010年开始，一年举办一次，前两年的最好比赛成绩，其分类错误率也在25%以上，远高于人类的分类错误率5.1%。直到2012年，事情才迎来了转机，来自加拿大多伦多大学的团队放弃大家普遍采用的手工特征设计，采用了深度神经网络的方法，一下子将图片分类的错误率降低了10%左右。自此，更多的团队通过神经网络的方法来实现图片的有效分类，2015年将计算机分类错误率降至4.9%，正确率第一次赶超人类；2017年错误率一度低至2.3%，同时这也是比赛的最后一年，因为计算机已经相当擅长图片分类了。
深度神经网络由很多按一定顺序排列的层构成，一般有卷积层、ReLU（线性整流单元）非线性激活层、池化层、全连接层、softmax归一化指数层等。每一层都有自己独特的作用。想了解具体每一层的作用，有志于啃硬骨头的朋友可自行学习，网络上和微信读书上均有很多入门书籍可供参考。
欢迎拓展学习！学习中遇到疑问欢迎留言哦，和小博一起探讨！
閱讀更多 科普苑 的文章
