5分钟搞懂什么是深度学习

　　现在各种名词非常火，什么人工智能、机器学习、深度学习，那么我要学习它，当然是要在一个大的方向、轮廓上看到它。比如爬一座山，先远远的看看，对它有一个大致的了解。
　　好了，先上一张图，远远的看一下：
　　嗯嗯，这么一看是不是清楚了很多呢？再来一张：
　　人工智能、机器学习和深度学习三者的关
　　人工智能、机器学习和深度学习三者的关系概念
　　深度学习（人工神经网络的研究的概念），英文：Deep Learning，简称：DL。
　　PS：看到ML、DL不要再理解成Make Love、Do Love哦！还清晰的记得有个小伙伴看到HTML问我，这是＂How To Make Love？＂。
　　以下内容来自百科：深度学习的概念源于人工神经网络的研究。含多隐层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。
　　深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)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，随后提出多层自动编码器深层结构。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。
　　深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务（例如，人脸识别或面部表情识别）。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。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。
　　同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同．例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。释意
　　看完概念你懂了吗？我是没懂。
　　在理解深度学习之前我们要先了解两个概念，机器学习和神经网络。机器学习
　　简单的说机器学习就是让机器去分析数据找规律，并通过找到的规律对新的数据进行处理。
　　机器学习理论主要是设计和分析一些让计算机可以自动＂学习＂的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。神经网络
　　神经网络简单点将就是由好多个神经元组成的系统。这是模拟人类的神经网络。
　　神经元是一个简单的分类器，你输入一个
　　比如我们有一大堆猫、狗照片，把每一张照片送进一个机器里，机器需要判断这幅照片里的东西是猫还是狗。我们把猫狗图片处理一下，左边是狗的特征向量，右边是猫的
　　神经元一个缺点是：它只能切一刀！你给我说说一刀怎么能把下面这两类分开吧。
　　解决办法是多层神经网络，底层神经元的输出是高层神经元的输入。我们可以在中间横着砍一刀，竖着砍一刀，然后把左上和右下的部分合在一起，与右上的左下部分分开；也可以围着左上角的边沿砍10刀把这一部分先挖出来，然后和右下角合并。
　　每砍一刀，其实就是使用了一个神经元，把不同砍下的半平面做交、并等运算，就是把这些神经元的输出当作输入，后面再连接一个神经元。这个例子中特征的形状称为异或，这种情况一个神经元搞不定，但是两层神经元就能正确对其进行分类。
　　只要你能砍足够多刀，把结果拼在一起，什么奇怪形状的边界神经网络都能够表示，所以说神经网络在理论上可以表示很复杂的函数/空间分布。但是真实的神经网络是否能摆动到正确的位置还要看网络初始值设置、样本容量和分布。深度学习
　　那什么是深度学习呢？深度学习简单点说就是一种为了让层数较多的多层神经网络可以训练，能够运行起来而演化出来的一系列的新的结构和新的方法。
　　就像下图
　　普通的神经网络可能只有几层，深度学习可以达到十几层。深度学习中的深度二字也代表了神经网络的层数。现在流行的深度学习网络结构有＂CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)的等。现在流行的深度学习框架有MXnet,tensorflow,caffe等，而在这些框架之上(或许不太准确)，还有PyTorch，Keras等。 应用场景
　　深度学习目前的行业应用、一些标志性公司、代表性的技术等
　　语音识别技术：国内公司讯飞、百度、阿里，国外公司亚马逊，微软等，行业应用就是智能音箱等产品。
　　图像识别技术：比如做安防的海康威视，图森科技，依图科技，旷视科技，代表性的就是面部识别，人脸识别，刷脸解锁、支付等。
　　自动驾驶技术：比如特斯拉，uber，百度等公司开发的。
　　金融领域的如：预测股价、医疗领域的疾病监测，教育领域的技术赋能等。小结
　　看山是山，这里我们弄明白它属于机器学习，而机器学习属于人工智能，而人工智能呢？也就是由人来实现的东西，智能本不是机器的，而是人的；是人通过一些技术手段赋予机器的，而赋予它的一个强有力的方法就是深度学习。而深度学习中的神经网络模型，其设计灵感来自于生物神经网络。历史上，科学家一直希望模拟人的大脑，造出可以思考的机器。人为什么能够思考？科学家发现，原因在于人体的神经网络。