深度学习发展推动人工智能进步

深度学习，在某种意义上是“深层人工神经网络”的重命名，从2006年开始在Geoffrey Hinton、Yann LeCun（杨立昆）、Yoshua Bengio、Andrew Ng（吴恩达）等教授以及学术界、工业界很多研究人员的推动下重新兴起，并在语音（2010年）和图像（2012年）识别领域取得了重大技术突破。

科幻场景

深度学习，人工智能的一大突破

传统机器学习系统主要是由一个输入层和一个输出层组成的浅层神经网。在神经网络里，程序绘制出一组虚拟神经元，然后给它们之间的连接分配随机数值或称“权重”，经由反复的训练来实现误差最小化。但是早期的神经网络只能模拟为数不多的神经元，所以不能识别太复杂的模式。

科幻作品中的机器人

深度学习中的“深度”是一个术语，指的是一个神经网络中的层的数量。顾名思义，深度学习网络与更常见的单一隐藏层神经网络的区别在于层数的深度，也就是数据在模式识别的多步流程中所经过的节点层数。浅层神经网络有一个所谓的隐藏层，而深度神经网络则不止一个隐藏层。多个隐藏层让深度神经网络能够以分层的方式学习数据的特征，因为简单特征（比如两个像素）可逐层叠加，形成更为复杂的特征（比如一条直线）。

AI

在深度学习网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度的增加，神经元节点所能识别的特征也就越来越复杂，因为每一层会整合并重组前一层的特征。

第一层神经元学习初级特征，例如分辨图像边缘或语音中的最小单元，方法是找到那些比随机分布出现得更多的数字化像素或声波的组合。一旦这一层神经元准确地识别了这些特征，数据就会被输送到下一层，并自我训练以识别更复杂的特征，例如语音的组合或者图像中的一个角。这一过程会逐层重复，直到系统能够可靠地识别出音素（根据语音的自然属性划分出来的最小语音单位）或物体为止。

训练

一旦算法框架构建起来后，人工神经网络就需要很多的“训练”来达到误差最小化。所以这也是深度学习

的名字的由来，深度（多层的神经网络）和学习（大量的数据训练）都是必不可少的。

机器学习有三种主要学习方式：监督学习、无监督学习和强化学习。每一种学习方式都可以用在深度人工神经网络的训练过程中。

科幻作品

发展至今，深度人工神经网络的算法在图像识别、声音识别、推荐系统等重要问题上不断刷新准确率纪录。从沉寂了几十年到火爆的热门技术，有三个重要原因推动了深度学习的发展。