TIP
本文主要是介绍 深度学习-应用场景和主要流程 。
# 深度学习到底有多深？
现在搞AI的公司，不管用什么样的算法，都想让自己跟深度学习扯上点关系，因为这样好像显得逼格够高。目前比较前沿的语音交互、计算机视觉等，就连神坛的Alpha Go的算法都是用深度学习。那究竟深度学习是什么？到底有多强大？要怎么实现？本文就跟大家一起讨论下。
在看接下来的内容之前，如果对机器学习还不了解的同学，可以先看下这篇《想入门AI，机器学习你知多少了？》 (opens new window)——介绍了机器学习的整体框架，机器学习的步骤，深度学习与机器学习的关系，还有比较详细的介绍了为什么会需要人工神经网络。看完以上的文章再来讨论今天的内容可能会更容易理解。
好了，我们言归正传。
以下就是我们本次需要谈论的内容：
# 01 深度学习一些有趣的应用
# 1. Face 2 Face
Face2Face是斯坦福大学等学生做的一款应用软件，这套系统能够利用人脸捕捉技术，让你说话的声音、表情、动作，投射到视频中的另一个人脸色。
如上图所示，左上角是特兰普演讲的视频，左下角是模仿者在说话，经过系统处理后，特兰普的表情和声音就变成了模仿者的表情和声音。（大家可以搜下网上的视频，挺有意思的）
# 2. 灵魂画家
这个大家可能也见过，就是在原来的图片上，加上了另外一个图片的风格特点。
如上图所示，一张蒙娜丽莎的画，加上了梵高画的特征，就变成了如右边所示的图片。
# 3. AlphaGo
这个大家就更熟悉了，2016年3月，AlphaGo与围棋世界冠军棋手李世石进行围棋人机大战，以4比1的总比分获胜。
通过上面的例子大家可以看到，深度学习的应用非常的广泛，小到很有趣的表情投影，大到围棋人机大战。也就是说深度学习的空间很广，想做一个深度学习的产品也不是我们想象中的那么深奥，但是要想做得特别强大还是会有很多困难的。
那深度学习究竟是什么，接下来就和大家详细讨论下。
# 02 什么才是深度学习？
在讲深度学习之前，我们先要知道什么是神经网络，而在讲神经网络之前，我们还得先知道什么是神经元。
# 1. 神经元
假设设置函数：Z（x）=W1X1 + W2X2 + W3X3 +…+WnXn + b，（是不是很眼熟，跟我们之前说到的线性方程很相识，不知道这个由来的话，再次建议先看下前面提到的文章）。
则神经元的表示如下：
每一个神经元就是一个逻辑回归算法。什么是逻辑回归算法，可以参考这篇文章《机器学习之逻辑回归》 (opens new window)，在此就不展开讲了。
# 2. 神经网络
多个神经元相互连接就组成了神经网络，每个神经元都通过接收前一层网络传递来的信息，经过处理后，再传递给下一层。
按结构来分，神经网络由：输入层、隐藏层和输出层组成。
- 输入层：即原始的特征输入。
- 隐藏层：除输入层和输出层外，其他的就是隐藏层。
- 输出层：后面不再接其他神经元。
# 3. 深度学习和神经网络的关系
定义：有多层网络结构的神经网络，我们就说是深度学习。
那有多少层才算是深度学习呢？
现在也没有一个官方的定义，有的人说3层，有的人说5层才算深度网络，多的高达上百层，反正大家都说自己是在做深度学习，这样看起来会比较高大尚点。
模组化：深度学习有一个非常重要的思想就是模组化。
那什么是模组化思想呢？
就像我们玩搭积木，一堆积木可以搭成各种各样形状的东西，而深度学习的每一层都是一个组件，可以供其他层灵活调用。
下面用一个例子说明：
假设我们要做一个图像识别，区分出4类人群：长头发的女生、短头发的女生、长头发的男生、短头发的男生。
非模组化的思路：
要设计4个基础的分类器：长发女、短发女、长发男、短发男，然后就需要找4类型这样的图片去训练机器。但现实中的问题可能是长头发的男生会比较少，因此训练出来的效果可能就不是很好。
模组化的思路：
我们可以先训练好两个基础模型：区分男女的分类器、区分长短头发的分类器，这样我们就可以有足够好的数据去训练好这两个分类器。
然后，在下一层区分长发女、短发女、长发男、短发男的分类器中，我们就可以直接调用前面的模块的输出组合了。
模组化的好处：
- 充分利用数据，比较少的数据就可以训练出比较好的模型。
- 训练时间短，拆分一个模组一个模组的训练的效率要比一坨训练高。
- 灵活调用，训练好一个模组的时候，可以供多个地方共有参数。
# 03 深度学习需要怎么做？
其实这三步跟我们之前讨论的线性回归的差不多，先定义好模型，然后定义出代价函数，最后用数据训练，找出最优的参数。主要的不同点是在第一步，怎么定义网络架构。
# 1. 定义网络架构
在定义网络架构时，需要考虑几个问题：
- 输入是什么？
- 输出是什么？
- 选择多少层网络？
- 每一层有多少个神经元？
- 层与层之间要怎么连接的？
如何选择输入、输出？
以手写数字辨识为例说明：
假设我们要辨识一张像素是16*16=256的手写数字图片，那每一个像素点就是一个特征变量X，因此输入就是：X1、X2、X3、X4、…、X256。输出就是0-9十个数字的概率，然后根据概率最大是那个数字预测结果。
上图，分别输出了是数字0-9的概率，而是2的概率最大是0.9，因此机器觉得，这个数字就是2。
如何选择网络架构？
最常见的就是全连接，通过训练再逐步把参数为0的剔除掉。再厉害点的话就是，让机器自己去学习然后决定用多少层，怎么去连接。
实现同一个功能，可能网络架构的选择可以是不一样，没有一个唯一的标准。
# 2. 定义什么是最好的（定义代价函数）
在第一步搭建好神经网络架构之后，接下来要做的事情就是确定最优的参数。
如上图所示，我们要确定一个模型，就是确定每个神经元红框内这些参数的值。
我们在模型输入一个数据，就会得到一个预测值，假设预测值与真实值的误差为L，那输入所有训练数据的误差就是：总L=L1 + L2 + L3 + L4 + … + Ln。
备注：上图的X1不是指单个特征详细，而是指输入的第一张图片，每张图片都有256个特征向量值。
当总误差最小时（总L最小时），得到的参数就是我们认为最好的参数，因此这就是我们定义什么是最好的。
# 3. 找出最优模型（求出最优解）
假设我们的总误差是一条如上图的曲线，那我们要怎么找到她的最小值呢？
求最小值，常见的方法是梯度下降。什么是梯度下降呢？
类比例子：
假设你现在在大山的某处，你的目标是要到达山的最低谷处，那你需要做事情有两步：
- 根据当前位置，选择一个向低处的方向。
- 根据选择的方向，走一段距离，再停下来选择方向。
不断的重复以上的两步，最终你可能走到山的最底处。
这里有两个需要注意的点：
- 你根据什么来选择方向？
- 你走多长距离再停下来选择方向？如果你选择的距离很小的话，那可能不知道走到猴年马月你才能走到最低，但是如果你选择的距离很长的话，有可能你走了最低点还不知道。
那梯度下降也是用同样的思想来找到最小值的，分两步：
- 选方向：在误差函数曲线上，随机取一个点，然后求导，根据导数的正负，决定移动的方向。
- 选择步长：学习率的参数决定步长。
具体梯度下降是怎么实现的，可以参考这篇文章《机器学习之线性回归》 (opens new window)，有讲到梯度下降的方法，在此就不展开讲了。
当然梯度下降只是求解最小值最常用的方法而已，还有其他求最小值的方法，比如：标准函数法等，感兴趣的同学可以去了解下。
# 4. 深度学习的典型代表
在深度学习领域有两个典型的代表：卷积神经网络、循环神经网络。
- 卷积神经网络被广泛的应用在计算机视觉领域，比如说强大的AlphaGo就有用到卷积神经网络实现。
- 循环神经网络则被广泛的应用在语音识别处理领域，比如说百度翻译、网络音乐生产等。
具体卷积神经网络和循环神经网络是什么？具体的结构是怎样的？又是怎么运行的？都应用在哪些产品上？我会写两篇文章分别单独介绍，感兴趣的同学可以持续关注。
# 04 深度学习的优缺点和面临的困境
# 优点
深度学习能让计算机自动学习出模式特征，并将特征学习的特征融入到建模的过程中，从而减少了人为设计特征造成的不完备性。而目前有些深度学习，已经达到了超越现有算法的识别或分类性能。
# 缺点
- 需要大数据支撑，才能达到高精度。
- 由于深度学习中图模型比较复杂，导致算法的时间复杂度急剧提升，需要更好的硬件支持。因此，只有一些经济实力比较强大的科研机构或企业，才能够用深度学习来做一些前沿而实用的应用。
# 面临挑战
Marcus 在 2018 年对深度学习 的作用、局限性和本质进行了重要的回顾。他强烈指出了 DL 方法的局限性——即需要更多的数据，容量有限，不能处理层次结构，无法进行开放式推理，不能充分透明，不能与先验知识集成，不能区分因果关系。
他还提到，DL 假设了一个稳定的世界，以近似方法实现，工程化很困难，并且存在着过度炒作的潜在风险。
Marcus 认为：DL 需要重新概念化，并在非监督学习、符号操作和混合模型中寻找可能性，从认知科学和心理学中获得见解，并迎接更大胆的挑战。
好了，关于深度学习的介绍就到此结束了，如有错漏欢迎批评指正。
本文由 @Jimmy 原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
# 参考文章
- http://www.woshipm.com/ai/2585485.html
