今天，超模君看到斯坦福著名教授吴恩达（Andrew Ng，全球最知名的人工智能专家之一）开课讲深度学习的消息刷遍票圈，百度一搜也是源源不断的报道：
其实，超模君默默研究深度学习也有一段时间了。从AlphaGo与人类的围棋大战到各种机器人，近几年来，深度学习的热度只增不减。
前段时间马云爸爸搞的无人超市也火了一把，里面的智能系统也采用了深度学习算法。
而这一波新型人工智能应用背后的主要驱动因素之一就是——深度学习。
可能很多人还不太了解深度学习，那今天，超模君就自己的理解，给大家讲讲深度学习到底是怎么个玩意儿吧~
深度学习是机器学习研究中的一个新的领域，目的在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据。
通俗来说，深度学习探索了神经网络的概率空间，这是传统的机器学习工具所做不到的。与其他工具相比，深度学习算法更适合未标记数据、特征提取(深度框架)，也更适合于模式识别(图像、文本、音频)。
从根本上说，深度学习和所有机器学习方法一样，是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。
讲到深度学习，常常会提及几个术语：
计算机用来学习的、反复看的图片叫“训练数据集”；
“训练数据集”中，一类数据区别于另一类数据的不同方面的属性或特质，叫做“特征”；
计算机的工作流程就是算法；
计算机在“大脑”中总结规律的过程，叫“建模”；
计算机在“大脑”中总结出的规律，就是我们常说的“模型”；
而计算机通过反复看图，总结出规律，然后学会认字的过程，就叫“机器学习”。
简单地说，深度学习就是把计算机要学习的东西看成一大堆数据，把这些数据丢进一个复杂的、包含多个层级的数据处理网络（深度神经网络），然后检查经过这个网络处理得到的结果数据是否符合要求：
——如果符合，就保留这个网络作为目标模型
——如果不符合，就不断地调整网络的参数设置，直到输出满足要求为止
（能不能说人话）
换种更直观的说法~
假设深度学习要处理的数据是信息的“水流”，而处理数据的深度学习网络是一个由管道和阀门组成的巨大的水管网络。网络的入口是若干管道开口，网络的出口也是若干管道开口。
这个水管网络有许多层，每一层有许多个可以控制水流流向与流量的调节阀。根据不同任务的需要，水管网络的层数、每层的调节阀数量可以有不同的变化组合。
水管网络中，每一层的每个调节阀都通过水管与下一层的所有调节阀连接起来，组成一个从前到后，逐层完全连通的水流系统。（这里说的是一种比较基本的情况，不同的深度学习模型，在水管的安装和连接方式上是有差别的）
以识字为例，计算机该如何使用这个庞大的水管网络来学习识字呢？
比如，当计算机看到一张写有“田”字的图片时，就简单将组成这张图片的所有数字（在计算机里，图片的每个颜色点都是用“0”和“1”组成的数字来表示的）全都变成信息的水流，从入口灌进水管网络。
我们预先在水管网络的每个出口都插一块字牌，对应于每一个我们想让计算机认识的汉字。
这时，因为输入的是“田”这个汉字，等水流流过整个水管网络，计算机就会跑到管道出口位置去看一看，是不是标记有“田”字的管道出口流出来的水流最多。
——如果是这样，就说明这个管道网络符合要求
——如果不是这样，我们就给计算机下达命令：调节水管网络里的每一个流量调节阀，让“田”字出口“流出”的数字水流最多
下一步，学习“申”字时，我们就用类似的方法，把每一张写有“申”字的图片变成一大堆数字组成的水流，灌进水管网络，看看是不是写有“申”字的那个管道出口流出来的水最多，如果不是，我们还得再次调整所有的调节阀。
注意！这一次，不仅要保证刚才学过的“田”字不受影响，也要保证新的“申”字可以被正确处理。
如此反复进行，直到所有汉字对应的水流都可以按照期望的方式流过整个水管网络。这时，我们就说，这个水管网络已经是一个训练好的深度学习模型了。
与训练时做的事情类似，未知的图片会被计算机转变成数据的水流，灌入训练好的水管网络。这时，计算机只要观察一下，哪个出口流出来的水流最多，这张图片写的就是哪个字。
神经网络并不神秘，它就是利用图的处理能力帮助我们对特征的提取和学习的过程。Hinton（人称“深度学习开山祖师爷”）曾将深度学习总结成三个最重要的要素：计算、数据、模型。有了这三点，就可以实现一个深度学习的系统。
深度学习在大数据集上的表现比其他机器学习(ML)方法都要好，所以也逐渐受到更多人的重视。
吴恩达曾说：“神经网络代表的深度学习是让我们获得最接近于人工智能的捷径”。
而当今的各行业各业，一般都在经历着两大技术的洗礼，一次是 IT，另一次就是 AI。虽然教育行业当前仍以 IT 化为主要变革方向，但AI的作用也越来越重要。
人工智能的时代无疑已经到来，这个时代需要的当然就是掌握了人工智能并将其解决具体问题的程序猿和工程狮。而深度学习，将成为解决人工智能问题的利器。
讲到深度学习，不得不提两款主流学习框架：Caffe和Tensorflow。
在深度学习领域，Caffe框架是人们无法绕过的一座山。它在结构、性能上、代码质量上，都称得上一款十分出色的开源框架，具有上手快、速度快、模块化等优点。
TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库，具有高度的灵活性、真正的可移植性等优点。
在图像处理方面Tensoflow还有这种操作 ↓
通过Tensorflow 学习Leonid Afremov 的绘画风格（图二）处理的图片效果（图三）
以及这种 ↓
用梵高著名的作品”星月夜“的风格（下）加工成了新的视频风格（上）
这种 ↓
（给黑白素描画自动上色）
关于深度学习，超模君也在学习的路上。如果你也感兴趣，那就一起来吧！
文章来源于超级数学建模，如有侵权请联系删除！
主编圈点：第四次工业革命，人工智能时代，人工智能的核心一定不在硬件上，而是在深度学习上，基于神经网络的深度学习能够进行多深人工才能走的远。
往期精彩回顾
1.蚊子的末日就要来了？谷歌将释放2000万只不孕不育的蚊子，用交配让蚊子断子绝孙！
2.量子力学奇怪特性：无论外力如何 粒子总有后退趋势
3.中科院七院士直指中学物理教学之弊：“刷题”消磨学习热情，教学有结构性缺陷
4.100年以来，我们的宇宙观是如何发生翻天覆地的变化？
5.一言不合”就上天？航天员选拔都经历了啥
本期编辑|caremal
环球物理，以物理学习为主题，以传播物理文化为己任。专业于物理，致力于物理！以激发学习者学习物理的兴趣为目标，分享物理的智慧，学会用物理思维去思考问题，为大家展现一个有趣，丰富多彩的，神奇的物理世界！
咨询电话：010-56143955 010-56143855
投稿请联系 [email protected]
地址：北京市海淀区苏州街名商大厦1101环球物理
参加物理集训营拨打咨询电话，短期高效提高物理！欢迎拨打咨询电话：13581994719
