大V吳恩達曾經(jīng)說過：做AI研究就像造宇宙飛船，除了充足的燃料之外，強勁的引擎也是必不可少的。假如燃料不足，則飛船就無法進入預定軌道。而引擎不夠強勁，飛船甚至不能升空。類比于AI，深度學習模型就好像引擎，海量的訓練數(shù)據(jù)就好像燃料，這兩者對于AI而言同樣缺一不可。

深度學習是一個近幾年備受關(guān)注的研究領(lǐng)域，在機器學習中起著重要的作用。深度學習通過建立、模擬人腦的分層結(jié)構(gòu)來實現(xiàn)對外部輸入的數(shù)據(jù)進行從低級到高級的特征提取，從而能夠解釋外部數(shù)據(jù)。

深度學習

深度學習（Deep Learning）的概念源于人工神經(jīng)網(wǎng)絡的研究。含多隱層的多層感知器就是一種深度學習結(jié)構(gòu)。?

深度學習也稱為深度結(jié)構(gòu)學習【Deep Structured Learning】、層次學習【Hierarchical Learning】或者是深度機器學習【Deep Machine Learning】）是一類算法集合，是機器學習的一個分支。它嘗試為數(shù)據(jù)的高層次摘要進行建模。

機器學習通過算法，讓機器可以從外界輸入的大量的數(shù)據(jù)中學習到規(guī)律，從而進行識別判斷。機器學習的發(fā)展經(jīng)歷了淺層學習和深度學習兩次浪潮。深度學習可以理解為神經(jīng)網(wǎng)絡的發(fā)展，神經(jīng)網(wǎng)絡是對人腦或生物神經(jīng)網(wǎng)絡基本特征進行抽象和建模，可以從外界環(huán)境中學習，并以與生物類似的交互方式適應環(huán)境。神經(jīng)網(wǎng)絡是智能學科的重要部分，為解決復雜問題和智能控制提供了有效 的途徑。神經(jīng)網(wǎng)絡曾一度成為機器學習領(lǐng)域備受關(guān)注的方向。

我們用一個簡單的例子來說明，假設你有兩組神經(jīng)元，一個是接受輸入的信號，一個是發(fā)送輸出的信號。當輸入層接收到輸入信號的時候，它將輸入層做一個簡單的修改并傳遞給下一層。在一個深度網(wǎng)絡中，輸入層與輸出層之間可以有很多的層（這些層并不是由神經(jīng)元組成的，但是它可以以神經(jīng)元的方式理解），允許算法使用多個處理層，并可以對這些層的結(jié)果進行線性和非線性的轉(zhuǎn)換。

深度學習的由來

１、人腦視覺機理啟示

人類每時每刻都面臨著大量的感知數(shù)據(jù)，但大腦總能很容易地捕獲重要的信息。人工智能的核心問題就是模仿大腦這種高效準確地表示信息的能力。通 過 近些年的研究，我們對大腦機理已有了一些了解，這些都推動了人工智能的發(fā)展。

?

神經(jīng)學研究表明，人的視覺系統(tǒng)的信息處理是分級的，從低級的Ｖ1區(qū)提取邊緣特征，到Ｖ2區(qū)的形狀，再到更高層。人類大腦在接收到外部信號時，不是直接對數(shù)據(jù)進行處理，而是通過一個多層的網(wǎng)絡模型來獲取數(shù)據(jù)的規(guī)律。這種層次
結(jié)構(gòu)的感知系統(tǒng)使視覺系統(tǒng)需要處理的數(shù)據(jù)量大大減少，并保留了物體有用的結(jié)構(gòu)信息。

２、現(xiàn)有機器學習的局限性

深度學習與淺層學習相對。現(xiàn)在很多的學習方法都是淺層結(jié)構(gòu)算法，它們存在一定的局限性，比如在樣本有限的情況下表示復雜函數(shù)的能力有限，針對復雜的分類問題其泛化能力受到一定制約。

而深度學習可通過學習一種深層非線性網(wǎng)絡結(jié)構(gòu)，實現(xiàn)復雜函數(shù)逼近，表征輸 入數(shù)據(jù)分布式表示，并且能在樣本集很少的情況下去學習數(shù)據(jù)集的本質(zhì)特征。

雖然淺層學習的應用也很廣泛，但它只對簡單的計算才有效，并不能到達人腦的反應效果，這就需要深度的機器學習。這些都表明淺層學習網(wǎng)絡有很大的局限性，激發(fā)了我們對深度網(wǎng)絡建模的研究。

深度機器學習是數(shù)據(jù)分布式表示的必然結(jié)果。有很多學習結(jié)構(gòu)的學習算法得到的學習器是局部估計算子，例如，由核方法構(gòu)造的學習器，是由對模板的匹配度加權(quán)構(gòu)成的。對于這樣的問題，通常我們有合理的假設，但當目標函數(shù)非常復雜時，由于需要利用參數(shù)進行描述的區(qū)域數(shù)目也是巨大的，因此這樣的模型 泛化能力很差。在機器學習和神經(jīng)網(wǎng)絡研究中分布式表示可以處理維數(shù)災難和局部泛化限制。分布式表示不僅可以很好地描述概念間的相似性，而且合適的分布式表示在有限的數(shù)據(jù)下能體現(xiàn)出更好的泛化性能。理解和處理接收到的信 息是人類認知活動的重要環(huán)節(jié)，由于這些信息的結(jié)構(gòu)一般都很復雜，因此構(gòu)造

?

深度的學習機器去實現(xiàn)一些人類的認知活動是很有必要的。

３、特征提取的需要

機器學習通過算法，讓機器可以從外界輸入的大量數(shù)據(jù)中學習到規(guī)律，從而進行識別判斷。機器學習在解決圖像識別、語音識別、自然語言理解等問題時的 大致流程如圖 １ 所示。

首先通過傳感器來獲得數(shù)據(jù)，然后經(jīng)過預處理、特征提取、特征選擇，再到推理、預測和識別。良好的特征表達影響著最終算法的準確性，而且系統(tǒng)主要的計算和測試工作都在這一環(huán)節(jié)。這個環(huán)節(jié)一 般都是人工完成的，靠人工提取特征是一種非常費力的方法，不能保證選取的質(zhì)量，而且它的調(diào)節(jié)需要大量的時間。然而深度學習能自動地學習一些特征，不需要人參與特征的選取過程。

?

深度學習是一個多層次的學習，如圖２所示，用較少的隱含層是不可能達到與 人腦類似的效果的。這需要多層的學習，逐層學習并把學習的知識傳遞給下一 層，通過這種方式，就可以實現(xiàn)對輸入信息進行分級表達。深度學的實質(zhì)就是通過建立、模擬人腦的分層結(jié)構(gòu)，對外部輸入的聲音、圖像、文本等數(shù)據(jù)進行從低級到高級的特征提取，從而能夠解釋外部數(shù)據(jù)。與傳統(tǒng)學習結(jié)構(gòu)相比，深 度學習更加強調(diào)模型結(jié)構(gòu)的深度，通常含有多層的隱層節(jié)點，而且在深度學習中，特征學習至關(guān)重要，通過特征的逐層變換完成最后的預測和識別。

深度學習的經(jīng)典算法

深度學習作為機器學習的一個分支，其學習方法可以分為監(jiān)督學習和無監(jiān)督學習。兩種方法都具有其獨特的學習模型：多層感知機 、卷積神經(jīng)網(wǎng)絡等屬于監(jiān) 督學習；深度置信網(wǎng) 、自動編碼器 、去噪自動編碼器 、稀疏編碼等屬于無監(jiān)督學習。

１、監(jiān)督學習：卷積神經(jīng)網(wǎng)絡CNNs

20世紀60年代，Hubel和Wiesel通過對貓視覺皮層細胞的研究，提出了感受野(receptive field)的概 念。受此啟發(fā)， Fukushima提出神經(jīng)認知機 (neocognitron)可看作是CNNs卷積神經(jīng)網(wǎng)絡的第一個實現(xiàn)網(wǎng)絡，也是感受野概念在人工神 經(jīng)網(wǎng)絡領(lǐng)域的首次應用。隨后LeCun等人設計并采用基于誤差梯度的算法訓練了卷積神經(jīng)網(wǎng)絡，并且其在一些模式識別任務中展現(xiàn)出了相對于當時其它方法的領(lǐng)先性能。現(xiàn)代生理學關(guān)于視覺系統(tǒng)的理解也與CNNs中的圖像處理過程相一致，這為CNNs在圖像識別中的應用奠定了基礎(chǔ)。CNNs是第一個真正成功地采用多層層次結(jié)構(gòu)網(wǎng)絡的具有魯棒性的深度學習方法，通過研究數(shù)據(jù)在空間上的關(guān)聯(lián)性，來減少訓練參數(shù)的數(shù)量。目前來看，在圖像識別領(lǐng)域，CNNs已經(jīng)成為一種高效的識別方法。

CNNs是一個多層的神經(jīng)網(wǎng)絡，如圖３所示，每層由多個二維平面組成，每個平面又由多個獨立的神經(jīng)元組成。上一層中的一組局部單元作為下一層鄰近單元的輸入，這種局部連接觀點最早起源于感知器。外界輸入的圖像通過可訓練的濾波器加偏置進行卷積，卷積后在Ｃ１層會產(chǎn)生３個特征映射圖；然后特征映射圖中每組像素分別進行求和加偏置，再通過Sigmoid函數(shù)得到Ｓ２層的特征映射圖；這些映射圖再通過濾波器得到 Ｃ３層；Ｃ３與 Ｓ２類似，再產(chǎn)生 Ｓ４；最后，這些像素值被光柵化，并且連接成向量輸入到神經(jīng)網(wǎng)絡，從而便得到了輸出。一般地，Ｃ 層為特征提取層，每個神經(jīng)元的輸入與前一層的局部感受野相連，并提取該局部特征，根據(jù)局部特征來確定它與其他特征空間的位置關(guān)系；Ｓ層是特征映射層，特征映射具有位移不變性，每個特征映射為一個平面，平面上所有神經(jīng)元的權(quán)值是相等的，因而減少了網(wǎng)絡自由參數(shù)的個數(shù)，降低了網(wǎng)絡參數(shù)選擇的復雜度。每一個特征提取層（Ｃ 層）都會跟著一個用于求局部平均及二次提取的計算層（Ｓ 層），這便構(gòu)成了兩次特征提取的結(jié)構(gòu)，從而在對輸入樣本識別時，網(wǎng)絡有很好的畸變?nèi)萑棠芰?。對于每一個神經(jīng)元，都定義了對應的接受域，其只接受從自己接受域傳來的信號。多個映射層組合起來可以獲得層之間的關(guān)系和空域上的信息，從而方便進行圖像處理。

CNNs是人工神經(jīng)網(wǎng)絡的一種，其適應性強，善于挖掘數(shù)據(jù)局部特征。它的權(quán)值共享網(wǎng)絡結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡，降低了網(wǎng)絡模型的復雜度，減少了權(quán)值的數(shù)量，使得CNNs在模式識別中的各個領(lǐng)域得到應用并取得了很好的結(jié)果。CNNs通過結(jié)合局部感知區(qū)域、共享權(quán)重、空間或時間上的降采樣來充分利用數(shù)據(jù)本身包含的局部性等特征，優(yōu)化網(wǎng)絡結(jié)構(gòu)，并且保證一定程度上的位移的不變性。由LeCun出的LeNet模型在應用到各種不同的圖像識別任務時都取得了不錯的效果，被認為是通用圖像識別系統(tǒng)的代表之一。通過這些年的研究工作，CNNs的應用越來越多，如人臉檢測?、文檔分析?、語音檢測?、車牌識別等 方面。2006年Kussul等人提出的采用排列編碼技術(shù)的神經(jīng)網(wǎng)絡在人臉識別、手寫數(shù)字識別和小物體識別等識別任務上都取得了與一些專用分類系統(tǒng)相當?shù)男阅鼙憩F(xiàn)；并且在2012年，研究人員把視頻數(shù)據(jù)里連續(xù)的幀當作卷積神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)，這樣就可以引入時間維度上的數(shù)據(jù)，從而識別人體的動作。

２、無監(jiān)督學習：深度置信網(wǎng)DBNs

DBNs是目前研究和應用都比較廣泛的深度學習結(jié)構(gòu)，它由多個受限玻爾茲曼機?累加而成。RBM結(jié)構(gòu)如圖４?所示，分為可視層即輸入數(shù)據(jù)層（υ）和隱藏層（ｈ），每一層的節(jié)點之間沒有連接，但層和層之間彼此互連。相比傳統(tǒng)的sigmoid信念網(wǎng)絡，RBM易于連接權(quán)值的學習。Hinton等人認 為，如果一個典 型的DBN有ｌ個隱含層，那么可以用聯(lián)合概率分布來描述輸入數(shù)據(jù)υ和隱含向量的關(guān)系：

其中，是條件概率分布。DBN學習的過程中，所要學習的就是聯(lián)合概率分布，在機器學習的領(lǐng)域中，聯(lián)合概率分布的意義就是對象的生成。

傳統(tǒng)的BP算法在經(jīng)典的網(wǎng)絡結(jié)構(gòu)中廣泛應用，但對于深度學習的訓練卻遇到了 很多困難：第一，BP算法是監(jiān)督學習，訓練需要有標簽的樣本集，但實際能得到的數(shù)據(jù)都是無標簽的；第二，ＢＰ算法在多隱層的學習結(jié)構(gòu)中，學習過程較慢；第三，不適當?shù)膮?shù)選擇會導致局部最優(yōu)解。為了獲取生成性權(quán)值，預訓練采用非監(jiān)督貪婪逐層算法，非監(jiān)督貪婪逐層訓練算法被Hinton證明是有效的。

非監(jiān)督貪婪逐層訓練算法的核心思想是：把 DBN分層（見圖５），每一層進行 無監(jiān)督學習，每次只訓練一層，將其結(jié)果作為高一層的輸入，最后用監(jiān)督學習 調(diào)整所有層。在這個訓練階段，首先，在可視層會產(chǎn)生一個向量ｖ，通過它將值映射給隱單元；然后，可視層的輸入會被隨機地選擇，以嘗試去重構(gòu)原始的輸入信號；最后，這些新可視單元再次映射給隱單元，獲得新的隱單元ｈ。執(zhí) 行這種反復步驟叫做吉布斯（Gibbs）采樣。隱層激活單元和可視層輸入之間 的 相關(guān)性差別就作為權(quán)值更新的主要依據(jù)。在最高兩層，權(quán)值被連接到一起，從而更低層的輸出將會提供一個參考的線索或者關(guān)聯(lián)給頂層，這樣頂層就會將其 聯(lián)系到它的記憶內(nèi)容。預訓練結(jié)束后，DBN可以利用帶標簽的數(shù)據(jù)及BP算法去 調(diào)整網(wǎng)絡結(jié)構(gòu)的性能。DBNs的BP算法只需要對權(quán)值參數(shù)空間進行一個局部的搜索，這相比前向神經(jīng)網(wǎng)絡來說，訓練的時間會顯著減少，訓練 RBM是Gibbs有效的隨機抽樣技術(shù)。在貪婪的學習算法過程中，采用了Wake-Sleep算法的基 本思想，算法在Wake階段，利用學習得到的權(quán)重，按照自底向上的順序為下一層的訓練提供數(shù)據(jù)；在Sleep階段，按照自頂向下的順序利用權(quán)重對數(shù)據(jù)進行重組。

DBNs是目前研究和應用都比較廣泛的深度學習結(jié)構(gòu)，由于靈活性很好，因此比較容易拓展，例如卷積DBNs就是DBNs的一個拓展，給語音信號處理問題帶來 了突破性的進展。DBNs作為一個新興的生成模型，已廣泛應用到了對象建模、特征提取、識別等領(lǐng)域。

深度學習的應用

在實際應用中，很多問題都可以通過深度學習解決。那么，我們舉一些例子：

黑白圖像的著色

深度學習可以用來根據(jù)對象及其情景來為圖片上色，而且結(jié)果很像人類的著色結(jié)果。這種解決方案使用了很大的卷積神經(jīng)網(wǎng)絡和有監(jiān)督的層來重新創(chuàng)造顏色。

機器翻譯

深度學習可以對未經(jīng)處理的語言序列進行翻譯，它使得算法可以學習單詞之間的依賴關(guān)系，并將其映射到一種新的語言中。大規(guī)模的LSTM的RNN網(wǎng)絡可以用來做這種處理。

圖像中的對象分類與檢測

這種任務需要將圖像分成之前我們所知道的某一種類別中。目前這類任務最好的結(jié)果是使用超大規(guī)模的卷積神經(jīng)網(wǎng)絡實現(xiàn)的。突破性的進展是Alex Krizhevsky等人在ImageNet比賽中使用的AlexNet模型。

自動產(chǎn)生手寫體

這種任務是先給定一些手寫的文字，然后嘗試生成新的類似的手寫的結(jié)果。首先是人用筆在紙上手寫一些文字，然后根據(jù)寫字的筆跡作為語料來訓練模型，并最終學習產(chǎn)生新的內(nèi)容。

自動玩游戲

這項任務是根據(jù)電腦屏幕的圖像，來決定如何玩游戲。這種很難的任務是深度強化模型的研究領(lǐng)域，主要的突破是DeepMind團隊的成果。

聊天機器人

一種基于sequence to sequence的模型來創(chuàng)造一個聊天機器人，用以回答某些問題。它是根據(jù)大量的實際的會話數(shù)據(jù)集產(chǎn)生的。

盡管深度學習的研究還存在許多問題，但它對機器學習領(lǐng)域產(chǎn)生的影響是不容小覷的。更加復雜且更加強大的深度模型能深刻揭示大數(shù)據(jù)里所承載的信息，并對未來和未知事件作更精準的預測。總之，深度學習是一個值得研究的領(lǐng)域，在未來的幾年一定會更加的成熟。

編輯：黃飛

?