深度学习12大常见问题解答

阿尔法狗让深度学习登上了数据科学世界的巅峰。深度学习成为了当今最热门的话题之一，但对于大多数人来说，这是一个陌生而又神秘的学科。很多人认为，深度学习就是包括了大量的数学和统计知识。本文列举了常见的12个深度学习的问题。

1.什么是深度学习？为什么它会如此受欢迎？深度学习作为机器学习的典范，近年来已经显示出了广阔的前景。这是因为深度学习与人类大脑的功能很相似。人脑是迄今为止最通用、最有效的自我学习模型。让我们从下面的例子中更好的理解深度学习模型的特点：

你在上图中看到了什么？很明显，“一辆车”。尽管图中也有沙子、绿叶、云彩等，但大脑会将这张图标记为一辆汽车。这是因为我们的大脑已经学会识别图像中的主要对象。深度学习的特殊之处就在于从大量无关数据中获取有用信息。随着现在生成数据量的增加，我们希望模型能够更好地处理更多数据，深度学习模型变得更好。尽管深度学习已经出现多年，但其重大突破仅仅在近几年才实现。

2.深度学习只是一种炒作，还是有真实的应用程序？现在，深度学习已经在很多实际中得到应用：从Netflix著名的电影推荐系统到Google的无人驾驶，从创造艺术和文学写作到创造现实生活中的钱，都在使用深度学习模型。因此，如果说它只是一个炒作，这是错误的。目前，深度学习的一些主要应用有：（1）Google一次性将文本翻译成数百种语言，通过一些应用于自然语言处理任务的深度学习模型实现。

（2）特征工程特征工程是一个将原始图像放入特征提取器的创建过程，降低数据复杂性，并使数据更适合于学习算法。这一过程比较耗时、花费较大。机器学习中，大部分应用特征需要由专家识别，再根据域和数据类型进行手动编码深度学习的独特之处在于从数据中学习高级特征，也是传统机器学习领域的一大进步。因此，深度学习减少了为每个问题开发新的特征提取器的任务。（3）可解释性解释性作为机器学习和深度学习的比较因素。

其本质上都是矩阵乘法，简单的矩阵乘法如下图所示。

在这里，我们可以看到第一个数组的行与第二个数组的列元素分别相乘。因此，在神经网络中，我们可以将第一个矩阵视为神经网络的输入，第二个矩阵可以视为网络的权重。这似乎是一个简单的任务。VGG16（在深度学习应用中经常使用16个隐藏层的卷积神经网络）大约具有1.4亿个参数，又称权重和偏见。想想你需要做的矩阵乘法，如果我们用传统的方法，训练这种系统需要几年的时间。神经网络的计算密集部分由多个矩阵乘法组成。

即使数据量不大，针对特定任务进行训练的深度学习模型也可以重用于同一个域中的不同问题，这种技术被称为迁移学习。9.哪里可以找到一些基本的深度学习项目用来练习？我强烈建议初学者使用MNIST数据，该数据集包含手写数字及其实际标签，即数字从0到9。对于中级用户来说，这个AgeDetection竞赛是一个不错的项目，该数据集由印度电影演员的面部图像组成，任务是根据面部属性预测年龄。