酷播亮新聞
文章摘要： 深度學習可以進行哪些應用輸入層和輸出層之間能夠擁有很多層
【PConline 技術】隨著人工智慧時代的帶來，深度學習技術對於技術以及產業的影響開始變得更加深遠，深度學習作為當前計算機領域非常火熱的話題，在學術界以及企業圈當中都在進行著熱議和探索。
而像我一樣，此前可能對於深度學習技術的概念一直都是一知半解，其廣泛的應用就更加談不上理解了。
究竟什麼是深度學習？
深度學習，官方給出的名稱解釋也被稱之為深度結構學習或者深度機器學習，它是一類演算法的集合，是機器學習的一個非常重要的分支，它能夠幫助資料的高層次摘要進行建模。
假設使用者擁有兩組神經元，一個是用於接受輸入訊號的，一個是發出訊號的，當輸入層接收到輸入訊號的時候，它能夠將輸入層去做一個簡單的修改並且傳遞給下面一層，在深度學習的網路環境當中，輸入層和輸出層之間能夠擁有很多層，允許演算法去使用多個處理層並且對這些層進行線性和非線性的轉換，是深度學習應用的關鍵所在。
深度學習的架構層面
生成式深度架構，主要用來描述具有高階相關性的可觀測資料或者是可見的物件的特徵，這類架構模式主要用於模式分析或者是總和的目的，或者用來描述這些資料和他們類別之間的聯合分佈情況等方面。
判別式深度架構，主要用於提供模式分類的判別能力等方面內容，通常判別式深度架構用來描述在可見資料條件下物體的後驗類別的概率，其形式類似於判別模型。
混合深度架構其目標就是分類，但是其和生成結構混合在一起，比如以正在或者優化的方式引入生成模型的結果，或者使用判別標註來學習生成模型的引數。
深度前饋網路
深度前饋網路也被稱之為前饋神經網路，或者是多層感知機，是深度學習模型當中的精粹，神經網路可以定義成輸入層，隱含層和輸出層。其中，輸入層接受資料，隱含層處理資料，輸出層則輸出最終結果。這個資訊流就是接受x，通過處理函式f，在達到輸出y。
池化層
池化是一個基於樣本的離散化過程，其目的就是能夠降低輸入的取樣，從而能夠減少深度學習的維度，進而提升對資料分析的效率。這部分的作用是通過提供一種抽象的形式表示來幫助過擬合表示。同樣的，它也通過減少了引數的數量降低了計算的複雜度併爲內部的表示提供一個基本的不變性的轉換。
深度學習可以進行哪些應用？
對於像我們這種普通使用者來說，可能往往會更加關注像深度學習這樣的技術能夠真正帶來哪些實際的應用和改變，對於深度學習來說，在黑白影象著色、機器翻譯、影象當中的物件分類與檢測、自動產生手寫體等等很多領域都已經能夠展開深入的應用。
諸如像機器翻譯，深度學習就可以對未經處理的語言序列進行翻譯，它使得演算法可以學習單詞之間的依賴關係，並將其對映到一種新的語言中。大規模的LSTM的RNN網路可以用來做這種處理。
像影象物件分類與檢測，深度學習對待這類人物最好的技術方法就是使用超大規模的摺積神經網路去實現，突破性的進展是Alex Krizhevsky等人在ImageNet比賽中使用的AlexNet模型。
寫在最後
深度學習已經變成像雲端計算、大資料這樣的非常落地的技術以及應用了，我們在越來越多的行業領域都能夠看到深度學習的身影，相信未來隨著技術的不斷創新和產業化格局的向前推動，深度學習技術必將會迎來一個高速發展的階段。[返回頻道首頁]