最近人工智能大热背后的功臣 - Deep Learning深度学习
这篇文章纯粹是写给我自己，也算是最近调研的总结。Deep Learning是最近人工智能大热的一个导火索，虽然已经被玩烂了，但是还是稍微补充一些这方面的知识。或许，人工智能的革命会越来越快呢？
1. 机器学习是做什么的
Deep Learning又叫做深度学习，最近人工智能的火爆，AlphaGo的成名，以至于各种语音识别技术（Siri等）突飞猛进，都离不开这几年Deep Learning级数的大发展。
首先，机器要实现所谓的人工智能，其中一个关键节点是模式识别，或者机器学习，其核心就是能够比如识别出人类的手写文字，识别出语音，在这一步基础上，才有后面的分析的步骤。
在机器学习或者模式识别领域，数十年下来已经了非常多成熟的算法，虽然他们在复杂条件下的准确率只有80%-90%，但是也足以适用绝大部分的场景，比如车牌识别。
传统的机器学习方法有神经网络（ANN），支持向量机（SVM），语音识别领域前些年大热的则是隐形马尔可夫模型（HMM），此外还有灰常多不同的工具和发明被各路大牛探索出来。
以语音识别的HMM为例，识别率大道90%左右则一直无法提升。虽然它已经超过了种种其他各种机器学习的方法，但是谁让人类就是这么挑剔呢，我们还是会因为机器听错一两句话而放弃他。
而在图像识别领域或者人脸检测领域，也发明了Boosting，ASM，AMM等特征识别方法。所有的机器学习方法不论如何，都绕不开一个流程：
想想我们人判断自行车，是基于他有2个轮子，没有动力，有把手等信息，这些特点我们就称为特征，在机器学习领域，特征的寻找就是一个非常关键的因素。
2. 从ANN人工神经网络说起
如果ANN的数学原理不懂，后面的内容则会很困难。
总之常见的ANN网络是BP网络，节点分为输入节点、隐藏节点、输出节点。ANN相比之前的SVM、Boosting等方法来说最大的优点在于：他的中间部分是黑盒，我们可以不需要人为筛选所谓的特征，让机器自动产生分类。
之所以神经网络80-90年代大热后急速冷却，是因为在识别拟合上很容易出现过拟合，或者陷入到局部最优解当中。虽然神经网络的原理非常像人脑的运转原理，但是由于不论科研工作者怎么努力，它在语音识别上的效果还不如HMM，所以后来逐渐冷却了。
Deep Learning的再度崛起，其实也是ANN的再度崛起，所以他们有什么区别呢？
3. ANN和Deep Learning的关系
2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：
-
多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；
-
深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wise pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
在这里就不做更加深入的展开了。总之，Deep Learning和传统基于BP的ANN最大的区别在于训练方法的不同，但本质也是ANN：
-
Deep Learning会逐层学习，同时，他也不像传统的神经网络，是可以基于无标签的数据进行特征学习的，这个层面上来说更像人脑的工作原理。
-
Deep Learning的ANN采用的是卷积神经网络（CNN），一个特点是截零的方法和BP不同；另一个特点是神经元之间局部链接，这样做比BP网络的好处是极大降低复杂度。
所以Deep Learning的具体训练方法是：
-
使用自下上升非监督学习（就是从底层开始，一层一层的往顶层训练）：采用无标定数据（有标定数据也可）分层训练各层参数。
-
自顶向下的监督学习（就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调）
具体我就不展开了，更多的东西还有待继续读论文研究。
最新Update：
现在在图像界，直接使用CNN+BP的方式比逐层训练效果还好，所以Deep Learning现在逐层训练的必要性已经不大了，和传统ANN的区别就是使用了CNN以及增加了深度。
科学界探索几十年，发现了某个Break Through，一堆聪明人扑上去之后，最后发现这个Break Through的影响因素并不是之前所预想的，而是某个犄角旮旯的点，想想也真是讽刺：）