---

前言

前面笔者带领大家简单的了解了一下什么是机器学习，并且实现了机器学习的一个简单例子，接下来我们要着重讲的便是机器学习中的深度学习领域

---

一、什么是深度学习

      首先我们要明确的是机器学习和深度学习是包含的关系，不能说深度学习是独立的一个领域，他其实是对机器学习局限性的一个有划时代意义的解决方案。

      深度学习其实就是使用复杂的深度网络来更加贴切的模仿人类自主的学习数据间的联系，而这个所谓的深度网络其实就是大家所熟知的神经网络，当然神经网络指可以使用任何网络（例如前馈或具有1或2个隐藏层的递归网络）的网络。但是，当隐藏层的数量增加（即，超过两个）时，则称为深度学习神经网络。

二、深度学习与机器学习的区别

      大家都知道机器学习是属于人工智能的大分类里的，所谓的人工智能便是希望机器能像人一样的自组织的去学习和工作，我们人类在探索新领域的时候从来不会有人告诉我们新领域在哪，是什么样的，要用什么方法去发现，要关注他的哪个部分……所以为了更加贴切的实现人工智能的概念，我们在机器学习中提出了深度学习的想法。
      机器学习的发展虽然很快，但是他需要人为的识别数据中的特征关系，并创建相应的算法或流程去提取和计算这些特征，然后再进行预测或者分类。这个特点显然会在以后机器学习发展到一个高度时成为他的瓶颈。而深度学习正是为了解决这个问题而生的。

三、深度学习的应用场所

1、计算机视觉

      香港中文大学的多媒体实验室是最早应用深度学习进行计算机视觉研究的华人团队。在世界级人工智能竞赛LFW上，该实验室曾力压FaceBook夺得冠军，使得人工智能在该领域的识别能力首次超越真人。
现如今计算机视觉已经广泛应用在 人脸识别、车牌识别、路况识别、医疗领域，包括我们现在各大电商的图片查找商品也是计算机视觉的领域。

2、语音识别

      语音识别在移动终端上的应用最为火热，语音对话机器人、语音助手、互动工具等层出不穷，许多互联网公司纷纷投入人力、物力和财力展开此方面的研究和应用，目的是通过语音交互的新颖和便利模式迅速占领客户群。
      国外的语音识别技术一直以苹果的siri为龙头。
      而国内方面，腾讯AI、盛大、搜狗语音助手、百度语音等系统都采用了最新的语音识别技术，市面上其他相关的产品也直接或间接嵌入了类似的技术。

3、自然语言处理

      自然语言处理研究逐渐从词汇语义成分到语句的语义转移，进一步的，叙事的理解。然而人类水平的自然语言处理，是一个人工智能完全问题。它是相当于解决中央的人工智能问题使计算机和人一样聪明，或强大的AI。自然语言处理的未来一般也因此密切结合人工智能发展。

四、深度学习最常用的工具——神经网络

      神经网络其实源自生物学中人脑神经元的抽象从而建立起的模型结构。他用数学逻辑的方式模仿了人脑间神经元的结构和交互模式，也就是信息在大脑中的接受，加工，传递，保存的方式。从而使得计算机可以像人一样的学习、思考和解决问题。真正意义上的实现人工智能。

      神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达

      所以说从宏观角度看神经网络就是一个很形象的网状结构，但从内部去深究就会了解他的核心其实是一个个独立的神经元，他们有着生物学上的神经元特点，包括细胞体、轴突、树突以及内部的信号阈值机制。

      就是这样一个个独立的神经元他们组成了庞大的神经网络，在网络中神经元们也是分工明确，有的神经元负责数据的接受，有一批神经元负责数据的处理，还有一批神经元负责将处理好的结果传导出去，完全模拟人体各个神经之间的协作模式。
      当然这样的模式需要庞大甚至可以说是极其恐怖的计算量，这也是为什么人工智能近些年才飞速发展的原因，因为以往的计算机硬件根本无法支持这样的计算量，但是近些年伴随着各种硬件的发展以及软件的支持，这种“大脑模式”的计算已经能被实现。

---

总结

这一章节我们从机器学习深入到了深度学习，虽然总是将这俩个分开讲，但大家还是需要注意他们之间的关系，并不是独立的。同时我们提出了深度学习中最常用的神经网络的概念，并做了科普式的介绍，让大家感受到了计算机科学的神奇之处。后面我们将会着重进行神经网络的理论分析和技术实现（一般采用python）。