深度学习，你了解多少？

深度学习

深度学习的概念源于人工神经网络的研究。含多隐的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

深度学习是一个框架，包含多个重要算法:

Convolutional Neural Networks(CNN)卷积神经网络

AutoEncoder自动编码器

Sparse Coding稀疏编码

Restricted Boltzmann Machine(RBM)限制波尔兹曼机

Deep Belief Networks(DBN)深度信念网络

Recurrent neural Network(RNN)多层反馈循环神经网络神

深度学习的应用

深度学习的快速发展，不仅使机器学习得到许多实际的应用，还拓展了整个AI（人工智能）的范围。 它将任务进行拆解，使得各种类型的机器辅助变成可能，具体分为以下几类应用：

（1）无人驾驶汽车

深度学习在无人驾驶领域主要用于图像处理，可以用于感知周围环境、 识别可行驶区域检测、以及识别行驶路径识别。

（2）图片识别及分类

识别出图片中的对象，并建立关键词，对图片进行分类。

（3）机器翻译

基于深度学习理论，借助海量计算机模拟的神经元，在海量的互联网资源的依托下，来模仿人脑理解语言，形成更加符合语法规范、容易理解的译文。

（4）目标识别

即不仅可以识别出是什么物体，还可以预测物体的位置，位置一般用边框标记

（5）情感识别

通过深度学习，帮助计算机识别新闻、微博、博客、论坛等文本内容中所包含情感态度，从而及时发现产品的正负口碑。

（6）艺术创作

通过深度学习，让计算机学会根据不同的作曲家风格进行音乐编曲或者基于各流派画家进行绘画创作。

（7）人脸识别

通过深层神经网络对千万张人脸图片进行大数据训练，在经过人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别一系列技术检测后，实现精准的人脸识别。

（8）语音识别

基于深度神经网络，构造改进语音识别的各种不同技术和方法，如在信号位准中，建立从信号中提取和增强语音本身的技术。

（9）预测未来

可以用来预测未来发展趋势，如金融领域可以用来预测股价的涨跌。

（10）仓库优化

通过深度学习，训练机器人用最优的路径来存取货物。

（11）脑肿瘤检测

利用深度学习方法，通过对已有的有无恶性肿瘤及肿瘤位置等大量医疗图像数据进行学习，总结出能代表恶性肿瘤形状等的“特征”模型。基于此模型，从X光、CT扫描、超声波检查、MRI等的图像中找出癌症等恶性肿瘤。

（12）生物信息学

利用深度学习技术，对大量生物学数据进行收集和筛选，通过提取相关特征属性，建立合适的模型，可用于药物临床试验之前的疗效预测、疾病诊断等。

注：部分图文来源于网络，如有侵权，请联系作者删除！