/?寫在前面的話?/

考研雜談，考研過來人和你聊考研。

在當前的?人工智能（AI）媒體風暴中，深度學習的炒作尤其強勁，幾乎人人都知道深度學習這個概念。

首先，深度學習不是AI甚至機器學習的代名詞。人工智能是一個廣泛的領域，旨在“自動化認知過程”。機器學習不過是是AI的一個子領域，旨在純粹從接觸訓練數(shù)據(jù)開始自動開發(fā)程序（稱為模型）。而深度學習是機器學習的眾多分支之一，其中模型是幾何函數(shù)的長鏈，一個接一個地應用以形成層次結構的堆棧。它是機器學習的許多方法之一。

是什么讓深度學習與眾不同?為什么深度學習在機器學習技術之間特別耀眼？深度學習在許多任務上都取得了巨大的成功，這些任務歷來對計算機來說是極其困難的，特別是在機器感知領域，包括從圖像，視頻，聲音等中提取有用的信息。

如果有足夠的訓練數(shù)據(jù)（特別是由人適當標記的訓練數(shù)據(jù)），則有可能從感知數(shù)據(jù)中提取出人類可以提取的幾乎所有內容?；ヂ?lián)網大廠利用深度學習開發(fā)相當于人類級別的語音識別，智能助手，人類級別的圖像分類，大幅改進的機器翻譯等功能，從深度學習中獲取到一系列商業(yè)價值。Google、、百度和阿里騰訊等使用的廣告定位均由深度學習提供支持。而且在2016年夏天，使用由長期短期記憶（LSTM）算法（一種深度學習算法）編寫的腳本導演了一部實驗性短片Sunspring（有興趣的同學可以自己去看看，這部短片完全由機器導演出來的）。

現(xiàn)在有一些發(fā)展正在推動深度學習，比如算法上的改進提高了深度學習方法的性能；新的機器學習方法提高了模型的準確性；已經開發(fā)出了新的神經網絡類非常適合諸如文本翻譯和圖像分類之類的應用；現(xiàn)代社會擁有許多可用于構建具有許多深層的神經網絡的數(shù)據(jù)，包括來自物聯(lián)網的流數(shù)據(jù)，來自社交媒體的文本數(shù)據(jù)，病人的醫(yī)療數(shù)據(jù)；分布式云計算和圖形處理單元的計算進步使我們擁有無與倫比的計算能力，這種水平的計算能力對于訓練深度算法是必不可少的；同時，人機界面也有了很大的發(fā)展，鼠標和鍵盤已被手勢，輕掃，觸摸和自然語言所取代。這些無疑會對AI和深度學習的發(fā)展產生強大的促進作用。

深度學習應用方向

深度學習已經被諸多企業(yè)公司利用而開發(fā)出許多實際應用程序，從而在外部看來深度學習發(fā)展已經到了巔峰。但是實際上現(xiàn)在還僅僅是深度學習的冰山一角，隨著計算機科學研究的繼續(xù)發(fā)展，未來將會出現(xiàn)更多更令人驚喜的功能產品。

深度學習今天流行作用方向有：

語音識別

商業(yè)界和學術界都接受了深度學習來進行語音識別。和蘋果的Siri就是一個很好的例子，現(xiàn)在Siri和普通人對話可以做到對答如流。

圖像識別

圖像識別的一種實際應用是自動圖像字幕和場景描述。這對于在執(zhí)法人員調查中至關重要，可以從大千的天網種抓出犯罪分子的臉龐從而找到他們。無人駕駛汽車還將通過使用360度攝像頭技術從圖像識別中受益于場景描述。

自然語言處理

神經網絡是深度學習的重要組成部分，多年來一直用于處理和分析書面文本。這種技術是文本挖掘的一種專門技術，可用于發(fā)現(xiàn)客戶投訴，病人病歷等。

推薦系統(tǒng)

阿里和騰訊早就普及了推薦系統(tǒng)的概念，并有很大的機會根據(jù)過去的行為來了解你下一步可能感興趣的內容。深度學習可用于增強復雜環(huán)境中的推薦，例如跨多個平臺的音樂興趣或服裝偏好。

深度學習如何工作

深度學習改變了我們解決問題是先通過分析問題再來解決問題的傳統(tǒng)思維?，F(xiàn)在這個思維模式從告訴計算機如何解決問題變成了訓練計算機解決問題本身。傳統(tǒng)的分析方法是使用手頭的數(shù)據(jù)來設計特征以得出新變量，然后選擇分析模型并最終估算該模型的參數(shù)（或未知數(shù)）。

這些技術可能會產生無法很好概括的預測系統(tǒng)，因為完整性和正確性取決于模型及其特征的質量。例如，如果你使用特征工程開發(fā)欺詐模型，則應從一組變量開始，并且很可能使用數(shù)據(jù)轉換從這些變量中得出模型。你可能最終得到模型所依賴的30,000個變量，然后必須對模型進行成形，找出哪些變量有意義，哪些變量沒有意義，依此類推。添加更多數(shù)據(jù)的時候你還得重新做一遍，準確性不高不說，還特別費時間費精力。

而深度學習的新方法是用層次化表征（或層）代替模型的制定和規(guī)范，該層次化表征（或層）學會從層的規(guī)律性中識別數(shù)據(jù)的潛在特征。深度學習的范式轉變是從特征工程到特征表示的轉變。深度學習的希望在于，它可以導致預測系統(tǒng)具有良好的概括性，適應性，隨著新數(shù)據(jù)的到達而不斷改進，并且比基于硬業(yè)務規(guī)則的預測系統(tǒng)更具動態(tài)性。深度學習解放了大家都去找模型，從而讓大家去訓練任務訓練數(shù)據(jù)得到結果。

那么我們該如何構建深度學習模型呢？

考慮到現(xiàn)在我們使用深度學習取得了很大的成功，萬事皆可深度學習。但是必須強調的是，構建深度學習模型比藝術更是一門藝術。要為此構建深度學習或任何機器學習模型，需要考慮以下幾點：

1、定義問題：我們擁有哪些數(shù)據(jù)？我們要預測什么？我們需要收集更多數(shù)據(jù)嗎？我們如何手動標記數(shù)據(jù)？

2、我們可以使用哪些指標來可靠地驗證結果的準確性；

3、準備評估模型；

4、數(shù)據(jù)預處理：這是花費大部分時間的地方，例如歸一化、標簽編碼等。

5、開發(fā)一個比基準模型更好的初始模型，這表明機器學習對于該問題是否理想。

6、通過調整超參數(shù)并添加正則化來優(yōu)化模型架構，根據(jù)驗證數(shù)據(jù)進行更改。

7、避免過度安裝。

我們需要注意我們仍處于深度學習革命時期。由于深度學習史無前例的成功，導致現(xiàn)在很多商業(yè)機構都在炒作人工智能、深度學習。對于我們研究人員、學生而言，能夠從媒體的炒作中提煉現(xiàn)實至關重要。盡管機器感知方面取得了進步，但我們離人類級人工智能還很遙遠。我們的模型還只能執(zhí)行局部概括。小蘇旨在為大家提供一些興趣化知識和考研指導，饒有興趣地同學還是得進入學術界才能真正地摸清人工智能深度學習。

蘇世學社旗下品牌，專注于計算機考研

計算機考研一手資訊，原創(chuàng)高質量干貨

深度的學習分享丨咨詢前輩丨個性化指導