中国艺术研究院好考吗_amd中国研究院_中国鼻科研究院在哪里(2)

深度神经网络学习是近些年机器学习研究中的一个领军的方向，其本质在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本，最终认知真实世界。

深度神经网络为什么这么强大？

从算法角度上讲，没有任何人能够定义出一个由8层非线性函数、有万亿级参数，可以表达的公式或者算法，一是算法本身过于复杂，根本无法用通常的数学表达式去描述，一个是人类根据自己的理解去定义物体的特征，总是有限的特征，有限的表达力，一旦数据量变得非常大，场景变得复杂，人类定义的特征将不再好使。

那么深度神经网络是如何做到的呢？

这个是个技术关键点，希望大家通过今天的报告能够理解。深度神经网络是一个逐层提取特征的过程，并且是计算机从数据中自动提取，不需要人类干预其提取过程。

深度神经网络，其本质思想就是堆叠多个神经元层，每个层都提取一定的特征和信息，这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。以发现数据的分布式特征表示。以图像识别为例，第一层提取边界信息，第二层提取边界轮廓信息，然后轮廓可以组合成子部分，子部分组合成物体，这样一层层下来逐层提取特征，通过组合低层特征形成更加抽象的高层表示属性类别或特征，通过特征或者属性的不同组合来判定图片中是哪个种类的物体。

下图显示的就是深度神经网络如何从底层的输入数据层，逐层提取边界、子部分以及组合成最后的物体模型的。请大家好好琢磨一下这张图，理解了这个你就理解了深度神经网络强大精髓的一部分。右边显示的是该过程本质上是模拟人类大脑的物体识别过程。

深度神经网络在计算机上是如何训练呢？

这个是个非常有意思的环节，神经网络是通过数据训练出来的，就是说开始的时候，那些万亿级的参数都是随机初始化的，这个网络一团糟，啥也不能识别。通过不停的给予数据，一遍一遍来训练，就能达到最终的识别模型，能够识别语音或者图像中的物体。酷吧。可见，数据是训练的关键，数据量要大，模型才能好，但是数据量大了，训练时间又很长。

训练过程分为两种，一种是有监督的训练，比如数据加了标签，计算机知道正确答案。一种是无监督训练，只有数据，没有标签，不知道正确答案。无监督训练是对Big Data很有实用价值了，你想啊，海量的实时数据，不可能都加上精准的标签啊。如果不加标签，机器就可以识别，那我们周围的世界机器就可以理解和认知了，就达到了人工智能的目的。目前，无监督学习还是一个待研究的问题，还未解决。

毋庸置疑，Big Data + 深度神经网络，带领在人工智能的最新潮流和方向，被广泛应用于各种应用和问题上。现在做人工智能的，如果不懂DNN，那都有点不好意思出门说话。

第一部分讲完了。接下来第二三部分是根据我平时的文献阅读和搜集的信息总结出来的，可供了解深度学习的主要应用和都有什么研究正在进行。希望听完前三节，大家对人工智能的最新进展有了全面了解，今天的目的就达到一半了。

二、主流算法和应用分析

深度神经网络出融等等应用。

需要理解的是，DNN模型虽然都是多层神经网络，但是根据应用不同，其网络结构不一样，最常用的有三种模型MLP（multi-layer perceptron,多层感知机），Autoencoder（自适应编码器）和CNN（convolutional neural networks,卷积神经网络）。通常的网络复杂度是语音识别小于图像识别， 图像识别现在仍未研究重点，存在很多软件和硬件层挑战。我想主流的深度神经网络应用大家都很熟了，我接下来主要分享一些最新的学术论文中发表的应用，也是DNN模型在其他领域中的成功应用。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/dianqi/article-33771-2.html