【深度学习】五个问题迅速了解“深度学习”

深度学习领域是计算机科学一个新兴领域，通俗说来就是构建像人脑一样处理数据的计算机程序。深度学习首先发起于学术界，目前各大互联网巨头也纷纷投入研究，随着媒体的报道增多，“深度学习”也成为近期热词。例如，媒体在报道平安科技研发的人脸识别算法时，就会提到该算法基于神经网络和深度学习。有分析人士将“深度学习”的市场形容为一个金矿，称该技术有望取代整个行业和应用的大量人力干预。

▼▼▼

那么，深度学习到底是什么呢？

好信侠就试着简化深度学习的概念

用五个问题帮你快速了解。

▼▼▼

➤ 深度学习是什么？

深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。

➤ 为什么我们需要深度学习?

好吧，答案很简单。可以用更多的数据或是更好的算法来提高学习算法的结果。对某些应用而言，深度学习在大数据集上的表现比其他机器学习(ML)方法都要好(稍后将讨论例外情况)。这些又如何转化为现实生活中的情形呢?深度学习更适合无标记数据，因而它并不局限于以实体识别为主的自然语言处理(NLP)领域。

➤ 深度学习与机器学习相比表现如何?

最通俗地说，深度学习探索了神经网络的概率空间，这是传统的机器学习工具所做不到的。熟悉ML的人会知道，与其他工具相比，深度学习算法更适合未标记数据，更适合强特征提取(深度框架)，也更适合于模式识别(图像、文本、音频)。这多半可以归因于它能减少模型中自由参数的数目。

➤ 深度学习的“深度”体现在哪里

论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。

那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（Deep Neural Networks ），是从很久以前的人工神经网络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。

深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（Convolutional Neural Networks）、深度置信网络（Deep BeliefNetworks）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度玻尔兹曼机（DeepBoltzmann Machines）、递归自动编码器（Recursive Autoencoders）、深度表达（Deep Representation）等等。不过究其本质来讲，都是类似的深度神经网络模型。

当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经网络模型，或者说深度学习这样一个概念的新的热潮。

➤ 深度学习的优点

为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。