|
【PConline 技术】随着人工智能时代的带来，深度学习技术对于技术以及产业的影响开始变得更加深远，深度学习作为当前计算机领域非常火热的话题，在学术界以及企业圈当中都在进行着热议和探索。
而像我一样，此前可能对于深度学习技术的概念一直都是一知半解，其广泛的应用就更加谈不上理解了。 究竟什么是深度学习？ 深度学习，官方给出的名称解释也被称之为深度结构学习或者深度机器学习，它是一类算法的集合，是机器学习的一个非常重要的分支，它能够帮助数据的高层次摘要进行建模。
假设用户拥有两组神经元，一个是用于接受输入信号的，一个是发出信号的，当输入层接收到输入信号的时候，它能够将输入层去做一个简单的修改并且传递给下面一层，在深度学习的网络环境当中，输入层和输出层之间能够拥有很多层，允许算法去使用多个处理层并且对这些层进行线性和非线性的转换，是深度学习应用的关键所在。 深度学习的架构层面 生成式深度架构，主要用来描述具有高阶相关性的可观测数据或者是可见的对象的特征，这类架构模式主要用于模式分析或者是总和的目的，或者用来描述这些数据和他们类别之间的联合分布情况等方面。
判别式深度架构，主要用于提供模式分类的判别能力等方面内容，通常判别式深度架构用来描述在可见数据条件下物体的后验类别的概率，其形式类似于判别模型。
混合深度架构其目标就是分类，但是其和生成结构混合在一起，比如以正在或者优化的方式引入生成模型的结果，或者使用判别标注来学习生成模型的参数。 深度前馈网络 深度前馈网络也被称之为前馈神经网络，或者是多层感知机，是深度学习模型当中的精粹，神经网络可以定义成输入层，隐含层和输出层。其中，输入层接受数据，隐含层处理数据，输出层则输出最终结果。这个信息流就是接受x，通过处理函数f，在达到输出y。 池化层 池化是一个基于样本的离散化过程，其目的就是能够降低输入的采样，从而能够减少深度学习的维度，进而提升对数据分析的效率。这部分的作用是通过提供一种抽象的形式表示来帮助过拟合表示。同样的，它也通过减少了参数的数量降低了计算的复杂度并为内部的表示提供一个基本的不变性的转换。 深度学习可以进行哪些应用？ 对于像我们这种普通用户来说，可能往往会更加关注像深度学习这样的技术能够真正带来哪些实际的应用和改变，对于深度学习来说，在黑白图像着色、机器翻译、图像当中的对象分类与检测、自动产生手写体等等很多领域都已经能够展开深入的应用。
诸如像机器翻译，深度学习就可以对未经处理的语言序列进行翻译，它使得算法可以学习单词之间的依赖关系，并将其映射到一种新的语言中。大规模的LSTM的RNN网络可以用来做这种处理。
像图像对象分类与检测，深度学习对待这类人物最好的技术方法就是使用超大规模的卷积神经网络去实现，突破性的进展是Alex Krizhevsky等人在ImageNet比赛中使用的AlexNet模型。 写在最后 深度学习已经变成像云计算、大数据这样的非常落地的技术以及应用了，我们在越来越多的行业领域都能够看到深度学习的身影，相信未来随着技术的不断创新和产业化格局的向前推动，深度学习技术必将会迎来一个高速发展的阶段。[返回频道首页] |
