一文看懂AI深度學習丨曼孚科技

深度學習(Deep Learning)是機器學習的一種，而機器學習是實現人工智能的必經途徑。

目前大部分表現優異的AI應用都使用了深度學習技術，引領了第三次人工智能的浪潮。

一. 深度學習的概念

深度學習是機器學習中一種基于對數據進行表征學習的方法。

其屬于機器學習的范疇，可以說是在傳統神經網絡基礎上的升級，約等于神經網絡。它的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工獲取特征。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

二. 深度學習的優缺點

傳統機器學習的特征提取主要依賴于人工，針對特定簡單任務的時候人工提取特征會簡單有效，但是并不能通用。深度學習的特征提取并不依靠人工，而是機器自動提取的。

☆深度學習的主要優點如下：

優點1：學習能力強

從結果來看，深度學習具備很強的學習能力，表現非常好。

優點2：覆蓋范圍廣，適應性好

深度學習的神經網絡層數很多，寬度很廣，理論上可以映射到任意函數，所以能解決很復雜的問題。

優點3：數據驅動，上限高

深度學習高度依賴數據，數據量越大，它的表現就越好。在圖像識別、面部識別、NLP 等領域表現尤為突出。

優點4：可移植性好

由于深度學習的優異表現，很多框架都可以使用，例如 TensorFlow、Pytorch。這些框架可以兼容很多平臺。

☆深度學習也是有缺點的：

缺點1：計算量大，便攜性差

深度學習需要大量的數據與算力，所以成本很高。而且現在很多應用還不適合在移動設備上使用。目前已經有很多公司和團隊在研發針對便攜設備的芯片。

缺點2：硬件需求高

深度學習對算力要求很高，普通的CPU已經無法滿足深度學習的要求。

缺點3：模型設計復雜

深度學習的模型設計非常復雜，需要投入大量的人力物力和時間來開發新的算法和模型。大部分人只能使用現成的模型。

缺點4：沒有”人性”，容易存在偏見

由于深度學習依賴數據，并且可解釋性不高。在訓練數據不平衡的情況下會出現性別歧視、種族歧視等問題。

三. 3種典型的深度學習算法

卷積神經網絡(CNN)、循環神經網絡(RNN)、生成對抗網絡(GAN)是3種典型的深度學習算法。

卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡，是深度學習的代表算法之一。

CNN在圖像處理方面十分有優勢，目前在圖像分類檢索、目標定位檢測、目標分割、人臉識別、骨骼識別等領域有著廣泛的應用。

循環神經網絡是一類以序列數據為輸入，在序列的演進方向進行遞歸且所有節點(循環單元)按鏈式連接的遞歸神經網絡。

在深度學習領域，RNN是一種能有效處理序列數據的算法。在文本生成、語音識別、機器翻譯、生成圖像描述、視頻標記等領域有著廣泛的應用。

生成對抗網絡是一種深度學習模型，是最近兩年十分熱門的一種無監督學習算法。

GAN可以生成出非常逼真的照片、圖像甚至視頻，在生成圖像數據集、生成人臉照片、圖像到圖像的轉換、文字到圖像的轉換、圖片編輯、圖片修復等諸多領域有著廣泛的應用。