深度学习对我们生活的改变

作者：课课家教育来源： http://www.kokojia.com点击数：1577发布时间： 2017-10-05 09:30:01

　　欢迎各位阅读本篇,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。本篇文章讲述了深度学习对我们生活的改变，课课家教育平台提醒各位：本篇文章纯干货~因此大家一定要认真阅读本篇文章哦!

　　如果把深度学习比作一个气泡，我们需要了解其弧度及折射原理，从而真正加以驾驭。

　　时至今日，机器学习已经开始观察我们的行为、倾向、相互作用与交流响应。深度学习正是机器学习的下一步发展方向。虽然其在传统上常被用于帮助机器学习方案掌握文本数据，但如今深度学习已经开始尝试从视频、音频、音乐、图像以及传感器数据等更为复杂的内容形式中提取信息。

　　无论是计算机视觉识别、人类识别、语音识别还是自然语言处理，这一切都已经成为“建设性”技术应用范例。之所以具备突破性，是因为其并非简单调用预先存储的历史数据，而亦可根据学习经验修改、恢复以及注释其发现的结论甚至是物理对象。

　　事实上，深度学习分析目的在于识别真实数据中的真实模式。如果这种建设性能力可应用于总结经验、设计方案以及记录历史，甚至能够以惊人的逼真性反馈于我们的身体，那么现实与幻想之间的界线将变得非常模糊。或许有一天，我们可能将预算法作为经验的基石，而彻底失去人类的自我意识?

　　这并非形而上性质的冥想。事实上，深度学习已经迈进至以下阶段：

　　·可以通过在原始视觉元素之上根据消失、模糊或者误导性图像生成并叠加新的元素，从而实现图像的自动纠正。

　　·可以将任何粗糙的涂鸦转化为令人印象深刻的美图，这已经接近人类艺术家对现实世界的描绘。

　　·可以将手绘人脸蓝图通过算法转换为逼真的图像。

　　·可以将任意低分辨率原始图像转化为自然的高清晰度版本。

　　·可以指示计算机绘制任何图像，同时表现特定人类艺术家的创作风格。

　　·基本可以直接调用任何并不存在于源代码当中的图案、人物及其它细节图像。

　　·可以自动为图像及其它内容生成标题与注释，这一点接近于真实读者或者相关主题专家。

　　·可以渲染任何计算机生成的语音，且其听起来与人类朗读一样自然。

　　·可以领先计算机生成表达真实感受的音乐，其效果类似于人类音乐家的创作成果。

　　·可以制作各类功能性出众的物理对象，包括假肢、有机分子、3D打印、CRISPR以及其它新型技术。

　　很明显，这种构建能力亦可体现在重构方面，这意味着深度学习已经具备了制造与误导能力。抛开炒作不谈，深度学习的重构潜力已经在认知性问题当中得到证明，其甚至已经成为云决策支持当中的潜在算法基础。然而，如果这些重构算法与真实环境区别很大，那么实际应用很可能带来巨大风险——特别是考虑到深度学习在自动驾驶汽车与假肢设计等领域的应用。

　　虽然无法阻止深度学习不断融入我们的生活，但我们完全可以进一步提升其透明性，即了解这些算法如何作出自己的判断。我们应当检测深度学习应用中具体算法的识别流程(例如由源信息到端到端图形变换、统计模型乃至元数据等)，进而掌握其如何以特定方式在特定情况下采取特定行动。

虽然无法阻止深度学习不断融入我们的生活

　　同样重要的是，我们应当时刻将算法结论与现实情况加以比对，从而标记二者间的冲突并考量其相互作用。总而言之，如果把深度学习比作一个气泡，我们需要了解其弧度及折射原理，从而真正加以驾驭。

　　成功应用:

　　1、计算机视觉

　　ImageNet Classification with Deep Convolutional Neural Networks, Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, NIPS 2012.

　　Learning Hierarchical Features for Scene Labeling, Clement Farabet, Camille Couprie, Laurent Najman and Yann LeCun, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013.

　　Learning Convolutional Feature Hierarchies for Visual Recognition, Koray Kavukcuoglu, Pierre Sermanet, Y-Lan Boureau, Karol Gregor, Michaël Mathieu and Yann LeCun, Advances in Neural Information Processing Systems (NIPS 2010), 23, 2010.

　　2、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减低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。

　　3、自然语言处理等其他领域

　　很多机构在开展研究，2013年Tomas Mikolov,Kai Chen,Greg Corrado,Jeffrey Dean发表论文Efficient Estimation of word Representations in Vector Space建立word2vector模型，与传统的词袋模型(bag of words)相比，word2vector能够更好地表达语法信息。深度学习在自然语言处理等领域主要应用于机器翻译以及语义挖掘等方面。

深度学习在自然语言处理等领域主要应用于机器翻译以及语义挖掘等方面。