【新智元导读】上周举行的Spark Summit 2016大会上,谷歌大脑的负责Jeff Dean就深度学习发表演讲,介绍了谷歌对深度学习的使用情况,从技术上解读如何在TensorFlow进行大规模的深度学习。他认为,未来,行业内对深度学习的使用会持续增长。最后,他还为如何开展深度学习给出4点可行性建议。
我们真正想要的不仅仅是原始数据,而是能理解这些数据的计算系统。
Jeff所指的“理解”是什么?
简单说来,就是机器要能向人一样,知道所获得的信息代表什么。比如,看到这张照片,人可以说,图中有一个小孩,抱着一个泰迪熊。所谓的理解,就是机器应该具有这种能力。
神经网络
神经网络是一些从数据提炼的复杂函数,从一个空间输入转化为另一个空间的输出。
深度学习是什么?
深度网络模型与大脑运作原理相似,但并非直接模拟神经元如何工作,而是一种简单抽象的神经元网络。人工神经元不会产生脉冲,只会生成数值。神经元的函数就是通过非线性函数计算输入的加权乘以权重之和。
更多的数据、更大的模型、更多的计算产生而更好的结果。
谷歌对深度学习的使用在逐年增加
TensorFlow
我们输入数据、权重、误差以及标签,在不同节点进行不同的运算。Tensor 意味着N维数组,1 维时就是向量,2 维时就是矩阵;用图像可以可以用三维张量(行、列、颜色)表示更高维的数据流;Flow(流)意味着基于数据流图的计算。有许多运算(图中的节点)应用在数据流上。张量从图象的一端流动到另一端,这就是“TensorFlow”。“边”代表张量(数据),节点代表运算处理。
TensorFlow的应用案例
深度学习对谷歌的哪些技术产生了深远影响?
语音识别
图片搜索
智能搜索
图片图说研究
怎么开始深度学习?
四个途径
1)使用一个居于云的API(视觉、语音等)
2)在上面运行你自己训练好的模型
3)使用既有的模型架构,进行再训练或者修正你自己的数据库
4)为解决新问题开发你自己的机器学习模型
未来,深度学习的使用将会持续增长
在以下方面会得到应用:
结论
深度神经网络在理解以下内容上有了巨大的进步:
语音、图像、语言、搜索……
如果你还没思考过如何使用深度神经网络来解决计算机视觉或者理解的问题,几乎可以肯定的说,你该想一想了。