導(dǎo)讀本文為AI研習(xí)社編譯的技術(shù)博客，原標(biāo)題：WhatisDeepLearningandhowdoesitwork?Theeasyguideforeveryone....

本文為 AI 研習(xí)社編譯的技術(shù)博客，原標(biāo)題 ：

What is Deep Learning and how does it work? The easy guide for everyone

作者 | Alexandre Gonfalonieri

翻譯 | M惠M、孫大力

校對 | 醬番梨 整理 | 菠蘿妹

原文鏈接：

https://towardsdatascience.com/what-is-deep-learning-and-how-does-it-work-the-easy-guide-for-everyone-3fd7b65dbd55

我們都熟悉“人工智能”這個(gè)詞。但你最近可能聽說過“機(jī)器學(xué)習(xí)” ( Machine Learning )和“深度學(xué)習(xí)” ( Deep Learning ) 等其他術(shù)語，它們有時(shí)會與人工智能 ( AI ) 互換使用。因此，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別可能非常不清楚。

關(guān)于這個(gè)主題的文章通常都有很多的高等數(shù)學(xué)、代碼，或者是其他令人困惑的高層次，以致于無法觸及。

通過本文，您將了解AI和機(jī)器學(xué)習(xí)的基礎(chǔ)知識。此外，您將了解最流行的機(jī)器學(xué)習(xí)類型深度學(xué)習(xí)是如何工作的。

定義

在深入學(xué)習(xí)深度學(xué)習(xí)的原理之前，我們必須先解釋下重要術(shù)語之間的差異。

人工智能vs機(jī)器學(xué)習(xí)

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，研究計(jì)算機(jī)中智能行為的仿真。

每當(dāng)一臺機(jī)器根據(jù)一組預(yù)先定義的解決問題的規(guī)則來完成任務(wù)時(shí)，這種行為就被稱為人工智能。

開發(fā)人員引入了大量計(jì)算機(jī)需要遵守的規(guī)則。計(jì)算機(jī)內(nèi)部存在一個(gè)可能行為的具體清單，它會根據(jù)這個(gè)清單做出決定。如今，人工智能是一個(gè)概括性術(shù)語，涵蓋了從高級算法到實(shí)際機(jī)器人的所有內(nèi)容。

我們有四個(gè)不同層次的AI，讓我們來解釋前兩個(gè):

• 弱人工智能，也被稱為狹義人工智能，是一種為特定的任務(wù)而設(shè)計(jì)和訓(xùn)練的人工智能系統(tǒng)。弱人工智能的形式之一是虛擬個(gè)人助理，比如蘋果公司的Siri。

• 強(qiáng)人工智能，又稱人工通用智能，是一種具有人類普遍認(rèn)知能力的人工智能系統(tǒng)。當(dāng)計(jì)算機(jī)遇到不熟悉的任務(wù)時(shí)，它具有足夠的智能去尋找解決方案。

機(jī)器學(xué)習(xí)是指計(jì)算機(jī)使用大數(shù)據(jù)集而不是硬編碼規(guī)則來學(xué)習(xí)的能力。

機(jī)器學(xué)習(xí)允許計(jì)算機(jī)自己學(xué)習(xí)。這種學(xué)習(xí)方式利用了現(xiàn)代計(jì)算機(jī)的處理能力，可以輕松地處理大型數(shù)據(jù)集。

基本上，機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集;更為具體地說，它只是一種實(shí)現(xiàn)AI的技術(shù)，一種訓(xùn)練算法的模型，這種算法使得計(jì)算機(jī)能夠?qū)W習(xí)如何做出決策。

從某種意義上來說，機(jī)器學(xué)習(xí)程序根據(jù)計(jì)算機(jī)所接觸的數(shù)據(jù)來進(jìn)行自我調(diào)整。

監(jiān)督式學(xué)習(xí)vs非監(jiān)督式學(xué)習(xí)

監(jiān)督式學(xué)習(xí)需要使用有輸入和預(yù)期輸出標(biāo)記的數(shù)據(jù)集。

當(dāng)你使用監(jiān)督式學(xué)習(xí)訓(xùn)練人工智能時(shí)，你需要提供一個(gè)輸入并告訴它預(yù)期的輸出結(jié)果。

如果人工智能產(chǎn)生的輸出結(jié)果是錯(cuò)誤的，它將重新調(diào)整自己的計(jì)算。這個(gè)過程將在數(shù)據(jù)集上不斷迭代地完成，直到AI不再出錯(cuò)。

監(jiān)督式學(xué)習(xí)的一個(gè)例子是天氣預(yù)報(bào)人工智能。它學(xué)會利用歷史數(shù)據(jù)來預(yù)測天氣。訓(xùn)練數(shù)據(jù)包含輸入(過去天氣的壓力、濕度、風(fēng)速)和輸出(過去天氣的溫度)。

我們還可以想象您正在提供一個(gè)帶有標(biāo)記數(shù)據(jù)的計(jì)算機(jī)程序。例如，如果指定的任務(wù)是使用一種圖像分類算法對男孩和女孩的圖像進(jìn)行分類，那么男孩的圖像需要帶有“男孩”標(biāo)簽，女孩的圖像需要帶有“女孩”標(biāo)簽。這些數(shù)據(jù)被認(rèn)為是一個(gè)“訓(xùn)練”數(shù)據(jù)集，直到程序能夠以可接受的速率成功地對圖像進(jìn)行分類，以上的標(biāo)簽才會失去作用。

它之所以被稱為監(jiān)督式學(xué)習(xí)，是因?yàn)樗惴◤挠?xùn)練數(shù)據(jù)集學(xué)習(xí)的過程就像是一位老師正在監(jiān)督學(xué)習(xí)。在我們預(yù)先知道正確的分類答案的情況下，算法對訓(xùn)練數(shù)據(jù)不斷進(jìn)行迭代預(yù)測，然后預(yù)測結(jié)果由“老師”進(jìn)行不斷修正。當(dāng)算法達(dá)到可接受的性能水平時(shí)，學(xué)習(xí)過程才會停止。

非監(jiān)督式學(xué)習(xí)是利用既不分類也不標(biāo)記的信息進(jìn)行機(jī)器學(xué)習(xí)，并允許算法在沒有指導(dǎo)的情況下對這些信息進(jìn)行操作。

當(dāng)你使用非監(jiān)督式學(xué)習(xí)訓(xùn)練人工智能時(shí)，你可以讓人工智能對數(shù)據(jù)進(jìn)行邏輯分類。這里機(jī)器的任務(wù)是根據(jù)相似性、模式和差異性對未排序的信息進(jìn)行分組，而不需要事先對數(shù)據(jù)進(jìn)行處理。

非監(jiān)督式學(xué)習(xí)的一個(gè)例子是亞馬遜等電子商務(wù)網(wǎng)站的行為預(yù)測AI。

它將創(chuàng)建自己輸入數(shù)據(jù)的分類，幫助亞馬遜識別哪種用戶最有可能購買不同的產(chǎn)品(交叉銷售策略)。

另一個(gè)例子是，程序可以任意地使用以下兩種算法中的一種來完成男孩女孩的圖像分類任務(wù)。一種算法被稱為“聚類”，它根據(jù)諸如頭發(fā)長度、下巴大小、眼睛位置等特征將相似的對象分到同一個(gè)組。另一種算法被稱為“相關(guān)”，它根據(jù)自己發(fā)現(xiàn)的相似性創(chuàng)建if/then規(guī)則。換句話說，它確定了圖像之間的公共模式，并相應(yīng)地對它們進(jìn)行分類。

深度學(xué)習(xí)如何工作

什么是深度學(xué)習(xí)，以及它是如何工作的。

深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法 ， 它允許我們訓(xùn)練人工智能來預(yù)測輸出，給定一組輸入(指傳入或傳出計(jì)算機(jī)的信息)。監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)都可以用來訓(xùn)練人工智能。

Andrew Ng：“與深度學(xué)習(xí)類似的是，火箭發(fā)動機(jī)是深度學(xué)習(xí)模型，燃料是我們可以提供給這些算法的海量數(shù)據(jù)。”

我們將通過建立一個(gè)公交票價(jià)估算在線服務(wù)來了解深度學(xué)習(xí)是如何工作的。為了訓(xùn)練它，我們將使用監(jiān)督學(xué)習(xí)方法。

我們希望我們的巴士票價(jià)估價(jià)師使用以下信息/輸入來預(yù)測價(jià)格:

神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一組粗略模仿人類大腦，用于模式識別的算法。神經(jīng)網(wǎng)絡(luò)這個(gè)術(shù)語來源于這些系統(tǒng)架構(gòu)設(shè)計(jì)背后的靈感，這些系統(tǒng)是用于模擬生物大腦自身神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，以便計(jì)算機(jī)能夠執(zhí)行特定的任務(wù)。

和人類一樣， “AI價(jià)格評估”也是由神經(jīng)元(圓圈)組成的。此外，這些神經(jīng)元還是相互連接的。

神經(jīng)元分為三種不同類型的層次：

輸入層接收輸入數(shù)據(jù)。在我們的例子中，輸入層有四個(gè)神經(jīng)元:出發(fā)站、目的地站、出發(fā)日期和巴士公司。輸入層會將輸入數(shù)據(jù)傳遞給第一個(gè)隱藏層。

隱藏層對輸入數(shù)據(jù)進(jìn)行數(shù)學(xué)計(jì)算。創(chuàng)建神經(jīng)網(wǎng)絡(luò)的挑戰(zhàn)之一是決定隱藏層的數(shù)量，以及每一層中的神經(jīng)元的數(shù)量。

人工神經(jīng)網(wǎng)絡(luò)的輸出層是神經(jīng)元的最后一層，主要作用是為此程序產(chǎn)生給定的輸出，在本例中輸出結(jié)果是預(yù)測的價(jià)格值。

神經(jīng)元之間的每個(gè)連接都有一個(gè)權(quán)重。這個(gè)權(quán)重表示輸入值的重要性。模型所做的就是學(xué)習(xí)每個(gè)元素對價(jià)格的貢獻(xiàn)有多少。這些“貢獻(xiàn)”是模型中的權(quán)重。一個(gè)特征的權(quán)重越高，說明該特征比其他特征更為重要。

在預(yù)測公交票價(jià)時(shí)，出發(fā)日期是影響最終票價(jià)的最為重要的因素之一。因此，出發(fā)日期的神經(jīng)元連接具有較大的“權(quán)重”。

每個(gè)神經(jīng)元都有一個(gè)激活函數(shù)。它主要是一個(gè)根據(jù)輸入傳遞輸出的函數(shù)。

當(dāng)一組輸入數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)中的所有層時(shí)，最終通過輸出層返回輸出數(shù)據(jù)。

通過訓(xùn)練改進(jìn)神經(jīng)網(wǎng)絡(luò)

為了提高“AI價(jià)格評估”的精度，我們需要將其預(yù)測結(jié)果與過去的結(jié)果進(jìn)行比較，為此，我們需要兩個(gè)要素:

1. 大量的計(jì)算能力；

2. 大量的數(shù)據(jù)。

訓(xùn)練AI的過程中，重要的是給它的輸入數(shù)據(jù)集(一個(gè)數(shù)據(jù)集是一個(gè)單獨(dú)地或組合地或作為一個(gè)整體被訪問的數(shù)據(jù)集合),此外還需要對其輸出結(jié)果與數(shù)據(jù)集中的輸出結(jié)果進(jìn)行對比。因?yàn)锳I一直是“新的”，它的輸出結(jié)果有可能是錯(cuò)誤的。

對于我們的公交票價(jià)模型，我們必須找到過去票價(jià)的歷史數(shù)據(jù)。由于有大量“公交車站”和“出發(fā)日期”的可能組合，因而我們需要一個(gè)非常大的票價(jià)清單。

一旦我們遍歷了整個(gè)數(shù)據(jù)集，就有可能創(chuàng)建一個(gè)函數(shù)來衡量AI輸出與實(shí)際輸出(歷史數(shù)據(jù))之間的差異。這個(gè)函數(shù)叫做成本函數(shù)。即成本函數(shù)是一個(gè)衡量模型準(zhǔn)確率的指標(biāo)，衡量依據(jù)為此模型估計(jì)X與Y間關(guān)系的能力。

模型訓(xùn)練的目標(biāo)是使成本函數(shù)等于零，即當(dāng)AI的輸出結(jié)果與數(shù)據(jù)集的輸出結(jié)果一致時(shí)（成本函數(shù)等于0）。

我們?nèi)绾谓档统杀竞瘮?shù)呢?

通過使用一種叫做梯度下降的方法。梯度衡量得是，如果你稍微改變一下輸入值，函數(shù)的輸出值會發(fā)生多大的變化。

梯度下降法是一種求函數(shù)最小值的方法。在這種情況下，目標(biāo)是取得成本函數(shù)的最小值。

它通過每次數(shù)據(jù)集迭代之后優(yōu)化模型的權(quán)重來訓(xùn)練模型。通過計(jì)算某一權(quán)重集下代價(jià)函數(shù)的梯度，可以看出最小值的梯度方向。

為了降低成本函數(shù)值，多次遍歷數(shù)據(jù)集非常重要。這就是為什么需要大量計(jì)算能力的原因。

一旦我們通過訓(xùn)練改進(jìn)了AI，我們就可以利用它根據(jù)上述四個(gè)要素來預(yù)測未來的價(jià)格。雷鋒網(wǎng)

你應(yīng)該記住的是…

• 人工智能可以分為兩類，一般的和狹義的。

• 機(jī)器學(xué)習(xí)只是實(shí)現(xiàn)人工智能的一種方式。

• 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它使用神經(jīng)網(wǎng)絡(luò)來模擬人類的智力。

• 神經(jīng)網(wǎng)絡(luò)中有三種類型的神經(jīng)元層:輸入層、隱藏層和輸出層。

• 神經(jīng)元之間的連接與重量有關(guān)

• 訓(xùn)練神經(jīng)網(wǎng)絡(luò)是很重要的，大數(shù)據(jù)集是必須的。

想要繼續(xù)查看該篇文章相關(guān)鏈接和參考文獻(xiàn)？

長按鏈接點(diǎn)擊打開或點(diǎn)擊【新手必看：深度學(xué)習(xí)是什么？它的工作原理是什么？】：

https://ai.yanxishe.com/page/TextTranslation/1260

AI研習(xí)社每日更新精彩內(nèi)容，觀看更多精彩內(nèi)容：雷鋒網(wǎng)

機(jī)器學(xué)習(xí) 2019：AI 發(fā)展趨勢分析

遷移學(xué)習(xí)：如何將預(yù)訓(xùn)練CNN當(dāng)成特征提取器

馬克！程序員必須收藏的 10 類工具&庫，助你提高效率變大神

如何使用 OpenCV 編寫基于 Node.js 命令行界面和神經(jīng)網(wǎng)絡(luò)模型的圖像分類

等你來譯：雷鋒網(wǎng)

預(yù)訓(xùn)練模型及其應(yīng)用

用Pytorch構(gòu)建一個(gè)自動解碼器

(Python)3D人臉處理工具face3d

使用遷移學(xué)習(xí)/數(shù)據(jù)增強(qiáng)方法來實(shí)現(xiàn)Kaggle分類&識別名人臉部