Alphgo在圍棋上戰(zhàn)勝李世石屬于里程碑的時(shí)間，因此，深度學(xué)習(xí)也被炒得很熱，但什么叫深度學(xué)習(xí)，為什么是深度，其實(shí)大多不知道，如果解釋成多層神經(jīng)網(wǎng)絡(luò)估計(jì)也沒多少人明白。
即使你是搞建模的，假如沒搞過神經(jīng)網(wǎng)絡(luò)，可能也不清楚，甚至你做過神經(jīng)網(wǎng)絡(luò)工程，但如果僅僅是調(diào)用一下算法庫(kù)，也可能是一知半解。
當(dāng)然，大數(shù)據(jù)時(shí)代，我們也許會(huì)用就可以了，特別是對(duì)于企業(yè)來講，不用知道其原理。但深度學(xué)習(xí)作為一個(gè)方向性的東西，筆者總是想探究一些其本質(zhì)的東西，特別是希望能理解深度學(xué)習(xí)理解世界的方式，也許其對(duì)于成長(zhǎng)有所幫助。
雖然以前網(wǎng)上找過一些深度學(xué)習(xí)的資料，但一直啟發(fā)有限，直到最近讀到臺(tái)灣大學(xué)李宏毅教授的一個(gè)深度學(xué)習(xí)的課件，還有很多知乎大神的解釋，才有更多的領(lǐng)悟，今天，就順著大師的脈絡(luò)，以淺顯的方式去認(rèn)知深度學(xué)習(xí)。
這是篇普及基本知識(shí)的文章，有很多的圖片輔助理解，筆者也盡量簡(jiǎn)單的描述，沒有晦澀的公式，權(quán)當(dāng)作為自己的讀書筆記吧。
認(rèn)識(shí)機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)=尋找一個(gè)合適函數(shù)f，就是這么簡(jiǎn)單，這就是席卷全球的人工智能做的事情，下面一張圖已經(jīng)道盡了一切。
但尋找f這個(gè)函數(shù)是如此困難，比如下面我要用圖像識(shí)別一只貓或狗：
我要做什么呢?
首先，尋找一堆的函數(shù)，比如f1,f2……。
其次，找到一堆訓(xùn)練用的貓狗圖片，將圖片輸入到f中，獲得對(duì)應(yīng)的結(jié)果，比如，輸入一只貓，函數(shù)告訴我這是一只貓，輸入一只狗，函數(shù)告訴我是一只狗，否則，就換。
最后，選擇識(shí)別正確的函數(shù)f作為結(jié)果，也就是我們通常所說的算法，或稱模型，或稱Alphgo，或者，這個(gè)f，就是所謂的人工智能。
下圖示例了該過程：
再次，要用前面正確的f,輸入一些新的貓的圖片，看看這個(gè)f(即模型)靠不靠譜，這個(gè)過程也叫測(cè)試過程，即下圖所示的Testing，而上圖的過程，叫訓(xùn)練過程Training,大家聽到阿爾法狗每天都要自我對(duì)局幾千萬盤，這個(gè)過程就叫Training。
這個(gè)是機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，理解深度學(xué)習(xí)，這個(gè)是出發(fā)點(diǎn)，我想大多人都懂了，不懂，肯定是沒認(rèn)真看圖解字。
人的大腦。
人的大腦有幾十億個(gè)被稱作neuron(神經(jīng)細(xì)胞、神經(jīng)元)的微小細(xì)胞，這些神經(jīng)元相互之間通過無數(shù)連接線組成，如果一個(gè)神經(jīng)細(xì)胞在一段時(shí)間內(nèi)受到高頻率的刺激，則它和輸入信號(hào)的神經(jīng)細(xì)胞之間的連接強(qiáng)度就會(huì)按某種過程改變，使得該神經(jīng)細(xì)胞下一次受到激勵(lì)時(shí)更容易興奮。
這個(gè)就是神經(jīng)網(wǎng)絡(luò)，人的認(rèn)知模型，那么如何模擬神經(jīng)網(wǎng)路，也就是如何模擬人的認(rèn)知過程，也叫人工神經(jīng)網(wǎng)絡(luò)。
那么一個(gè)神經(jīng)元neuron如何模擬?
下圖是一個(gè)人工neuron的示意：
a指各種輸入信息，比如圖像信息的輸入，w指權(quán)重，就是神經(jīng)連接線被刺激后的大小，b指偏移量，最后，這些信息通過加權(quán)形成輸入的z，z作為外部刺激的一種表達(dá)形式，統(tǒng)一通過一個(gè)激活函數(shù)σ的轉(zhuǎn)換，給定最終的輸出結(jié)果a。
這就是一個(gè)人工模擬的神經(jīng)元過程，讀懂它，再給你一個(gè)案例。
神經(jīng)網(wǎng)絡(luò)有太多的neuron,因此，人工神經(jīng)是有很多人工neuron相互連接構(gòu)成的，每一個(gè)neuron有不同的權(quán)重，偏移或者激活函數(shù)，如下圖：
