隨著人類在人像識別、機器翻譯、自動駕駛等人工智能領域研究的深入，機器學習也由淺入深，進入了一個新的階段，可以說，人類對深度學習的突破程度，代表了機器學習的智慧程度。那么，人工智能這么火，深度學習你知道多少呢？

什么是深度學習？

深度學習（DL）是機器學習的技術和研究領域之一，通過建立具有階層結構的人工神經網絡（ANNs），在計算系統中實現人工智能。由于階層ANN能夠對輸入信息進行逐層提取和篩選，因此深度學習具有表征學習能力，可以實現端到端的監督學習和非監督學習。此外，深度學習也可參與構建強化學習系統，形成深度強化學習。

「深度」怎么理解？

從一個輸入中產生一個輸出所涉及的計算，可以通過一個流向圖來表示。

流向圖是一種能夠表示計算的圖，在這種圖中每一個節點表示一個基本的計算以及一個計算的值，計算的結果被應用到這個節點的子節點的值。考慮這樣一個計算集合，它可以被允許在每一個節點和可能的圖結構中，并定義了一個函數族。輸入節點沒有父節點，輸出節點沒有子節點。

這種流向圖的一個特別屬性是深度：從一個輸入到一個輸出的最長路徑的長度。

人工智能、機器學習與深度學習

從概念上來說，這三者之間是一個逐級包含的關系（如下圖所示），人工智能包含的含義很廣，機器學習只是它的一個方向，而深度學習也只是機器學習的一個分支。

從時間的維度來看，人工智能的發展也經歷了從符號注意人工智能到機器學習，再到深度學習的一個過程。

人工智能的概念開始于上世紀50年代，人類把規則輸入到計算機，計算機通過執行代碼代替人類完成指定的工作，這一時期計算機并不具備真正意義上的智能。90年代以后機器學習開始蓬勃發展，人類不用告訴計算機任何規則，計算機可以從大量的數據中自主發現規則。進入新世紀以后深度學習大放異彩。

所謂“深度”不是指理解的深度，而是模型的層數，深度學習它通過構建多處理層的計算模型，從訓練數據中提取多層次特征，能夠顯著提高圖像、語音、文本的識別準確率。

神經網絡與深度學習

很多小伙伴兒在學習時會有這樣的疑惑：神經網絡和深度學習的區別到底在哪兒，應該學習哪個？其實它們不是同一個層次的概念。

神經網絡是深度學習的基礎，深度學習是建立在多層神經網絡上的框架。想要深入理解深度學習，必須對神經網絡的機構和基本原理有清晰地認識。

80年代反向傳播算法讓神經網絡聲名鵲起，但是到了90年代，SVM等機器學習算法地出現掩蓋了神經網絡的風頭，直到2012年深度卷積神經網絡在圖像分類挑戰賽上一舉奪魁才讓神經網絡重新被廣大研究者重視。可以說，是深度學習挽救了神經網絡。

深度學習的框架選擇

很多人可能會問：為什么要使用框架？我用Numpy照樣能實現多層的神經網絡。話雖沒錯，但是手動從底層開始一步一步構建深度學習框架，不僅費時費力，而且運算效率不高，如果你希望使用GPU計算還需要編寫CUDA。而使用成熟的框架，我們不用浪費大量的精力自己造輪子，像堆積木一樣就能構建自己的深度神經網絡。

結語：深度學習是人工智能實現的一個重要環節，隨著未來在計算機視覺、語音識別等領域的研究與商用，小編相信：深度學習的巨大潛能一定會發揮到極致，讓冰冷的機器變得智慧，讓我們的生活更加便捷、多彩。