什么是深度学习？

很多人知道机器人、人工智能，但是对于深度学习却知之甚少。其实深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。

什么是深度学习？

深度学习的概念缘于人工神经网络的研究。含多隐层的多层感应器就是一种深度学习的结构。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。深度学习的概念是由Hinton等人于2006年提出。基于深度置信网络提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

为什么要深度学习？

了解了深度学习的含义，就要探究一下为什么要进行深度学习。

这都是底层特征的可视化，说明底层特征也只能学习一些基础的纹理等特征，但是如果达到人脑的视觉感知，就必须要学习更高级的高层语义特征。所以才会出现更深更复杂的网络，可以理解为挖掘更高层的语义特征来进行目标的表示。

深度学习解决什么问题？

需要使用深度学习解决的问题有以下特征：

深度不足会出现问题

人脑具有一个深度结构

认知过程逐层进行，逐步抽象

深度学习应用于哪些领域？

计算机视觉

主要分为三大类，有无监督学习以及增强学习。其中有监督学习包括图像分类、图像预测、图像分割、图像标注-看图说话、图像生成-文字转图像，无监督学习有条件生成对抗网络、视频预测。

语音识别

微软研究人员通过与Hinton合作，首先将RBM和DBN引入到语音识别声学模型训练中，并且在大量词汇量语音识别系统中获得巨大成功，使得语音识别的错误率相对降低30%。但是，DNN还没有有效的并行快速算法，很多研究机构都是在利用大规模数据语料通过GPU平台提高DNN声学模型的训练效率。

自然语言处理等其他领域

很多机构在开展研究，但深度学习在自然语言处理方面还没有产生系统性的突破。

深度学习模型

人工智能领域中的解决方案包括模型设计、数据收集、AI框架搭建等不同组成部分。

用于图像的模型是最常见的一种深度学习模型，然而一种模型可以投入到不同的领域中给出多样的解决方案。例如：图像识别可以用于农业，进行作物疾病的识别。即使缺少针对这一细分领域的数据集，我们也可以通过ImsgeNet数据集上训练好的通用图像分类器上添加层数和微调，以迁移学习的方法搭建针对特定领域的高效图像识别模型。而图像分割则可以用于作物产量的预测，还可以应用于自动驾驶。在油气勘探、肿瘤检测任务中，用于图像的模型也提供了大量的解决方案。

另一种常见的深度学习模型是用于序列的模型。我们用序列模型为金融业从业者提供了内容概括解决方案，帮助他们从海量的数据中找到和自身任务相关的信息。序列模型也被用于基因组学、语音识别等其他领域。