據(jù)報道稱，由于采用基于云的技術(shù)和在大數(shù)據(jù)中使用深度學(xué)習(xí)系統(tǒng)，深度學(xué)習(xí)的使用在過去十年中迅速增長，預(yù)計到 2028 年，深度學(xué)習(xí)的市場規(guī)模將達到 930 億美元。但究竟什么是深度學(xué)習(xí)，它是如何工作的？深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，它使用神經(jīng)網(wǎng)絡(luò)來執(zhí)行學(xué)習(xí)和預(yù)測。深度學(xué)習(xí)在各種任務(wù)中都表現(xiàn)出了驚人的表現(xiàn)，無論是文本、時間序列還是計算機視覺。深度學(xué)習(xí)的成功主要來自大數(shù)據(jù)的可用性和計算能力。然而，不僅如此，這使得深度學(xué)習(xí)遠遠優(yōu)于任何經(jīng)典的機器學(xué)習(xí)算法。

深度學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)和函數(shù)

神經(jīng)網(wǎng)絡(luò)是一個相互連接的神經(jīng)元網(wǎng)絡(luò)，每個神經(jīng)元都是一個有限函數(shù)逼近器。這樣，神經(jīng)網(wǎng)絡(luò)被視為通用函數(shù)逼近器。如果你還記得高中的數(shù)學(xué)，函數(shù)就是從輸入空間到輸出空間的映射。一個簡單的 sin(x) 函數(shù)是從角空間（-180° 到 180° 或 0° 到 360°）映射到實數(shù)空間（-1 到 1）。 讓我們看看為什么神經(jīng)網(wǎng)絡(luò)被認為是通用函數(shù)逼近器。每個神經(jīng)元學(xué)習(xí)一個有限的函數(shù)：f(.) = g(W*X) 其中 W 是要學(xué)習(xí)的權(quán)重向量，X 是輸入向量，g(.) 是非線性變換。W*X 可以可視化為高維空間（超平面）中的一條線（正在學(xué)習(xí)），而 g(.) 可以是任何非線性可微函數(shù)，如 sigmoid、tanh、ReLU 等（常用于深度學(xué)習(xí)領(lǐng)域）。在神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)無非就是找到最佳權(quán)重向量 W。例如，在 y = mx+c 中，我們有 2 個權(quán)重：m 和 c?，F(xiàn)在，根據(jù) 2D 空間中點的分布，我們找到滿足某些標準的 m & c 的最佳值：對于所有數(shù)據(jù)點，預(yù)測 y 和實際點之間的差異最小。

層的效果

現(xiàn)在每個神經(jīng)元都是一個非線性函數(shù)，我們將幾個這樣的神經(jīng)元堆疊在一個「層」中，每個神經(jīng)元接收相同的一組輸入但學(xué)習(xí)不同的權(quán)重 W。因此，每一層都有一組學(xué)習(xí)函數(shù)：[f1, f2, …, fn]，稱為隱藏層值。這些值再次組合，在下一層：h(f1, f2, ..., fn) 等等。這樣，每一層都由前一層的函數(shù)組成（類似于 h(f(g(x)))）。已經(jīng)表明，通過這種組合，我們可以學(xué)習(xí)任何非線性復(fù)函數(shù)。 深度學(xué)習(xí)是具有許多隱藏層（通常 > 2 個隱藏層）的神經(jīng)網(wǎng)絡(luò)。但實際上，深度學(xué)習(xí)是從層到層的函數(shù)的復(fù)雜組合，從而找到定義從輸入到輸出的映射的函數(shù)。例如，如果輸入是獅子的圖像，輸出是圖像屬于獅子類的圖像分類，那么深度學(xué)習(xí)就是學(xué)習(xí)將圖像向量映射到類的函數(shù)。類似地，輸入是單詞序列，輸出是輸入句子是否具有正面/中性/負面情緒。因此，深度學(xué)習(xí)是學(xué)習(xí)從輸入文本到輸出類的映射：中性或正面或負面。

深度學(xué)習(xí)作為插值

從生物學(xué)的解釋來看，人類通過逐層解釋圖像來處理世界的圖像，從邊緣和輪廓等低級特征到對象和場景等高級特征。神經(jīng)網(wǎng)絡(luò)中的函數(shù)組合與此一致，其中每個函數(shù)組合都在學(xué)習(xí)關(guān)于圖像的復(fù)雜特征。用于圖像的最常見的神經(jīng)網(wǎng)絡(luò)架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò) (CNN)，它以分層方式學(xué)習(xí)這些特征，然后一個完全連接的神經(jīng)網(wǎng)絡(luò)將圖像特征分類為不同的類別。 通過再次使用高中數(shù)學(xué)，給定一組 2D 數(shù)據(jù)點，我們嘗試通過插值擬合曲線，該曲線在某種程度上代表了定義這些數(shù)據(jù)點的函數(shù)。我們擬合的函數(shù)越復(fù)雜（例如在插值中，通過多項式次數(shù)確定），它就越適合數(shù)據(jù)；但是，它對新數(shù)據(jù)點的泛化程度越低。這就是深度學(xué)習(xí)面臨挑戰(zhàn)的地方，也就是通常所說的過度擬合問題：盡可能地擬合數(shù)據(jù)，但在泛化方面有所妥協(xié)。幾乎所有深度學(xué)習(xí)架構(gòu)都必須處理這個重要因素，才能學(xué)習(xí)在看不見的數(shù)據(jù)上表現(xiàn)同樣出色的通用功能。 深度學(xué)習(xí)先驅(qū) Yann LeCun（卷積神經(jīng)網(wǎng)絡(luò)的創(chuàng)造者和 ACM 圖靈獎獲得者）在他的推特上發(fā)帖（基于一篇論文）：「深度學(xué)習(xí)并沒有你想象的那么令人印象深刻，因為它僅僅是美化曲線擬合的插值。但是在高維中，沒有插值之類的東西。在高維空間，一切都是外推?！挂虼?，作為函數(shù)學(xué)習(xí)的一部分，深度學(xué)習(xí)除了插值，或在某些情況下，外推。就這樣！

Twitter 地址：https://twitter.com/ylecun/status/1409940043951742981?lang=en

學(xué)習(xí)方面

那么，我們?nèi)绾螌W(xué)習(xí)這個復(fù)雜的函數(shù)呢？這完全取決于手頭的問題，而這決定了神經(jīng)網(wǎng)絡(luò)架構(gòu)。如果我們對圖像分類感興趣，那么我們使用 CNN。如果我們對時間相關(guān)的預(yù)測或文本感興趣，那么我們使用 RNN 或 Transformer，如果我們有動態(tài)環(huán)境（如汽車駕駛），那么我們使用強化學(xué)習(xí)。除此之外，學(xué)習(xí)還涉及處理不同的挑戰(zhàn)：

確保模型學(xué)習(xí)通用函數(shù)，而不僅僅適合訓(xùn)練數(shù)據(jù)；這是通過使用正則化處理的；

根據(jù)手頭的問題，選擇損失函數(shù)；松散地說，損失函數(shù)是我們想要的（真實值）和我們當前擁有的（當前預(yù)測）之間的誤差函數(shù)；

梯度下降是用于收斂到最優(yōu)函數(shù)的算法；決定學(xué)習(xí)率變得具有挑戰(zhàn)性，因為當我們遠離最優(yōu)時，我們想要更快地走向最優(yōu)，而當我們接近最優(yōu)時，我們想要慢一些，以確保我們收斂到最優(yōu)和全局最小值；

大量隱藏層需要處理梯度消失問題；跳過連接和適當?shù)姆蔷€性激活函數(shù)等架構(gòu)變化，有助于解決這個問題。

計算挑戰(zhàn)

現(xiàn)在我們知道深度學(xué)習(xí)只是一個學(xué)習(xí)復(fù)雜的函數(shù)，它帶來了其他計算挑戰(zhàn)：

要學(xué)習(xí)一個復(fù)雜的函數(shù)，我們需要大量的數(shù)據(jù)；

為了處理大數(shù)據(jù)，我們需要快速的計算環(huán)境；

我們需要一個支持這種環(huán)境的基礎(chǔ)設(shè)施。

使用 CPU 進行并行處理不足以計算數(shù)百萬或數(shù)十億的權(quán)重（也稱為 DL 的參數(shù)）。神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)需要向量（或張量）乘法的權(quán)重。這就是 GPU 派上用場的地方，因為它們可以非?？焖俚剡M行并行向量乘法。根據(jù)深度學(xué)習(xí)架構(gòu)、數(shù)據(jù)大小和手頭的任務(wù)，我們有時需要 1 個 GPU，有時，數(shù)據(jù)科學(xué)家需要根據(jù)已知文獻或通過測量 1 個 GPU 的性能來做出決策。 通過使用適當?shù)纳窠?jīng)網(wǎng)絡(luò)架構(gòu)（層數(shù)、神經(jīng)元數(shù)量、非線性函數(shù)等）以及足夠大的數(shù)據(jù)，深度學(xué)習(xí)網(wǎng)絡(luò)可以學(xué)習(xí)從一個向量空間到另一個向量空間的任何映射。這就是讓深度學(xué)習(xí)成為任何機器學(xué)習(xí)任務(wù)的強大工具的原因。

審核編輯 ：李倩