深度學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)算法的昨天、今天和明天

2016年，人工智能軟件包AlphaGo擊敗韓國圍棋大師李世石。圍棋是一種兩人抽象戰(zhàn)略棋盤游戲，其目標(biāo)是用棋子包圍比對(duì)手更多的領(lǐng)土。2017年，經(jīng)過改進(jìn)的新版AlphaGo（AlphaGo Master）擊敗了世界圍棋第一人柯潔。這種新穎的人工智能 (AI) 系統(tǒng)并沒有依靠先前建立的策略來擊敗人類對(duì)手，而是在某些特定領(lǐng)域似乎超越了人類的認(rèn)知，甚至表現(xiàn)出了一定的思考能力，有效地縮小了當(dāng)前技術(shù)水平與現(xiàn)有技術(shù)之間的差距。流行文化想象人工智能可以。

過去，人工智能一直像是遙遠(yuǎn)的科幻小說。但當(dāng)今世界很多技術(shù)的應(yīng)用已經(jīng)達(dá)到了堪稱人工智能的水平。除了前面提到的圍棋軟件外，最近還部署了一系列人工智能系統(tǒng)并取得了巨大的效果，包括自動(dòng)駕駛系統(tǒng)、智能管家，甚至還有蘋果智能手機(jī)捆綁的語音助手 Siri。這些應(yīng)用背后的核心算法是深度學(xué)習(xí)，它是機(jī)器學(xué)習(xí)最熱門的分支之一。與其他機(jī)器學(xué)習(xí)算法不同，深度學(xué)習(xí)依賴于對(duì)大量數(shù)據(jù)進(jìn)行迭代訓(xùn)練來發(fā)現(xiàn)數(shù)據(jù)的特征并提供相應(yīng)的結(jié)果。其中許多特征已經(jīng)超越了人類定義特征的表達(dá)能力，

然而，深度學(xué)習(xí)尚未在所有方面超越人類。相反，它完全取決于人類對(duì)所使用算法的設(shè)計(jì)決策。深度學(xué)習(xí)從誕生到結(jié)出我們今天看到的果實(shí)，大約用了 50 年的時(shí)間。它的發(fā)展歷史讓我們得以一窺計(jì)算機(jī)科學(xué)家一絲不茍的獨(dú)創(chuàng)性，并提供了一個(gè)機(jī)會(huì)來討論這個(gè)令人興奮的領(lǐng)域的發(fā)展方向。

什么是深度學(xué)習(xí)？

深度學(xué)習(xí)利用所謂的人工神經(jīng)網(wǎng)絡(luò) (ANN)。盡管神經(jīng)網(wǎng)絡(luò)算法的名稱來源于它們模擬動(dòng)物神經(jīng)元如何傳輸信息的事實(shí)，但深度學(xué)習(xí)一詞來自所涉及的多層級(jí)聯(lián)神經(jīng)元——允許在信息傳輸中實(shí)現(xiàn)深度的多個(gè)層.

在動(dòng)物中，神經(jīng)的一端連接到受體，另一端連接到動(dòng)物的皮層，信號(hào)通過中間的多層神經(jīng)元傳導(dǎo)。神經(jīng)元實(shí)際上并不是一對(duì)一連接的，而是有多個(gè)連接（如輻射連接和收斂連接），從而形成網(wǎng)絡(luò)結(jié)構(gòu)。這種豐富的結(jié)構(gòu)最終使得信息的提取和動(dòng)物大腦中相應(yīng)認(rèn)知的產(chǎn)生成為可能。動(dòng)物的學(xué)習(xí)過程需要在大腦中整合外部信息。外部信息進(jìn)入神經(jīng)系統(tǒng)，神經(jīng)系統(tǒng)又變成大腦皮層可以接收的信號(hào)。將信號(hào)與大腦中的現(xiàn)有信息進(jìn)行比較，從而可以建立完整的認(rèn)知。

同樣，使用計(jì)算機(jī)編程技術(shù)，計(jì)算機(jī)科學(xué)家允許包含某些參數(shù)和權(quán)重的函數(shù)層來模擬神經(jīng)元的內(nèi)部操作，使用非線性操作的疊加來模擬神經(jīng)元之間的連接，并最終重新整合信息以產(chǎn)生分類或預(yù)測(cè)結(jié)果作為輸出。為了處理神經(jīng)網(wǎng)絡(luò)輸出與真實(shí)世界結(jié)果之間的差異，神經(jīng)網(wǎng)絡(luò)通過梯度逐層調(diào)整相應(yīng)的權(quán)重以減少差異，從而實(shí)現(xiàn)深度學(xué)習(xí)。

深度學(xué)習(xí)的起源

令人驚訝的是，模擬動(dòng)物的神經(jīng)活動(dòng)并不是深度學(xué)習(xí)的專有領(lǐng)域。早在 1957 年，F(xiàn)rank Rosenblatt 就提出了感知器的概念。感知器實(shí)際上是一個(gè)單層神經(jīng)網(wǎng)絡(luò)，只能區(qū)分兩種類型的結(jié)果。該模型非常簡(jiǎn)單，輸出和輸入信息之間的關(guān)系本質(zhì)上是一個(gè)加權(quán)和。雖然權(quán)重直接根據(jù)輸出與真實(shí)值的差自動(dòng)調(diào)整，但整個(gè)系統(tǒng)的學(xué)習(xí)能力有限，只能用于簡(jiǎn)單的數(shù)據(jù)擬合。

幾乎與此同時(shí)，神經(jīng)科學(xué)也出現(xiàn)了重大進(jìn)展。神經(jīng)科學(xué)家 David Hubel 和 Torsten Wiesel 對(duì)貓的視覺神經(jīng)系統(tǒng)進(jìn)行的研究證實(shí)，大腦皮層對(duì)視覺特征的反應(yīng)是由不同的細(xì)胞完成的。在他們的模型中，簡(jiǎn)單細(xì)胞感知光信息，而復(fù)雜細(xì)胞感知運(yùn)動(dòng)信息。

受此啟發(fā)，日本學(xué)者福島邦彥于1980年提出新認(rèn)知網(wǎng)絡(luò)模型來識(shí)別手寫數(shù)字（圖1）。該網(wǎng)絡(luò)分為多層，每一層由一種神經(jīng)元組成。在網(wǎng)絡(luò)中，兩種類型的神經(jīng)元被用來交替提取和組合圖形信息。這兩種類型的神經(jīng)元后來演變成卷積層和提取層，它們?nèi)匀环浅Ｖ匾?。然而，這個(gè)網(wǎng)絡(luò)中存在的神經(jīng)元是人工設(shè)計(jì)的，它們不會(huì)自動(dòng)適應(yīng)呈現(xiàn)的結(jié)果，因此它們不具備學(xué)習(xí)能力，并且僅限于識(shí)別一小組簡(jiǎn)單數(shù)字的基本任務(wù)。

數(shù)字。1：neocognitron 機(jī)器的工作機(jī)制（來源：Fukushima，Kunihiko。“Neocognitron：一種能夠進(jìn)行視覺模式識(shí)別的分層神經(jīng)網(wǎng)絡(luò)。”Neural Networks 1.2（1988）：119-130）

當(dāng)無法實(shí)現(xiàn)學(xué)習(xí)能力時(shí)，需要額外的手動(dòng)設(shè)計(jì)來代替真正的自學(xué)習(xí)網(wǎng)絡(luò)。1982年，美國科學(xué)家約翰霍普菲爾德發(fā)明了一種神經(jīng)網(wǎng)絡(luò)，它有幾個(gè)限制，可以在變化中保持記憶，從而促進(jìn)學(xué)習(xí)。同年，芬蘭科學(xué)家 Teuvo Kohonen 提出了一種基于無監(jiān)督算法向量量化神經(jīng)網(wǎng)絡(luò)（學(xué)習(xí)向量量化網(wǎng)絡(luò)）的自組織映射，希望通過縮短輸入和輸出之間的歐氏距離，從復(fù)雜網(wǎng)絡(luò)中學(xué)習(xí)正確的關(guān)系。1987年，美國科學(xué)家Stephen Grossberg和Gail Carpenter在早期理論的基礎(chǔ)上提出了自適應(yīng)共振理論網(wǎng)絡(luò)。他們讓已知信息和未知信息產(chǎn)生共鳴，從已知信息推斷未知信息，實(shí)現(xiàn)類比學(xué)習(xí)。盡管這些網(wǎng)絡(luò)被附加了自組織、自適應(yīng)和記憶等關(guān)鍵詞，但相應(yīng)的學(xué)習(xí)方法并不高效。它需要基于應(yīng)用本身不斷優(yōu)化設(shè)計(jì)，再加上網(wǎng)絡(luò)內(nèi)存容量小，難以在實(shí)踐中應(yīng)用。

直到 1986 年計(jì)算機(jī)科學(xué)家 David Rumelhart、Geoffrey Hinton 和 Ronald Williams 發(fā)表了反向傳播算法，才逐漸解決神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)問題。神經(jīng)網(wǎng)絡(luò)的輸出與真實(shí)值之間的差異現(xiàn)在可以通過與梯度相關(guān)的鏈?zhǔn)椒▌t反饋到每一層的權(quán)重中，從而有效地允許每一層函數(shù)以與感知機(jī)相同的方式進(jìn)行訓(xùn)練。這是 Geoffrey Hinton 在該領(lǐng)域的第一個(gè)里程碑。如今，他是谷歌的一名工程研究員，并且是圖靈獎(jiǎng)的獲得者，這是計(jì)算機(jī)科學(xué)領(lǐng)域的最高榮譽(yù)。

“我們不想建立一個(gè)模型來模擬大腦的工作方式，”欣頓說?！拔覀儠?huì)觀察大腦，同時(shí)認(rèn)為，既然大腦是一個(gè)可行的模型，我們應(yīng)該看看如果我們想創(chuàng)建其他一些可行的模型，大腦會(huì)提供靈感。反向傳播算法模擬的正是大腦的反饋機(jī)制?！?/p>

此后在 1994 年，Geoffrey Hinton 小組的博士后計(jì)算機(jī)科學(xué)家 Yann LeCun 結(jié)合神經(jīng)認(rèn)知機(jī)制和反向傳播算法創(chuàng)建了 LeNet，這是一種用于識(shí)別手寫郵政編碼的卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了 99% 的自動(dòng)識(shí)別，并且能夠處理幾乎任何形式的手寫。該算法取得了巨大成功，并被美國郵政系統(tǒng)投入使用。

深度學(xué)習(xí)時(shí)代來臨

盡管取得了上述成就，但深度學(xué)習(xí)直到后來的某個(gè)時(shí)候才獲得顯著的普及。一個(gè)原因是神經(jīng)網(wǎng)絡(luò)需要更新大量參數(shù)（僅 2012 年提出的 AlexNet 就有 65 萬個(gè)神經(jīng)元和 6000 萬個(gè)參數(shù)），并且需要強(qiáng)大的數(shù)據(jù)處理和計(jì)算能力（圖 2 ）). 此外，試圖通過減少網(wǎng)絡(luò)中的層數(shù)來減少數(shù)據(jù)量和訓(xùn)練時(shí)間會(huì)使深度學(xué)習(xí)不如其他機(jī)器學(xué)習(xí)方法（例如在 2000 年左右變得非常流行的支持向量機(jī)）有效。Geoffrey Hinton 在 2006 年的另一篇論文首次使用深度信念網(wǎng)絡(luò)這個(gè)名稱，其中 Hinton 提供了一種優(yōu)化整個(gè)神經(jīng)網(wǎng)絡(luò)的方法。雖然這為深度學(xué)習(xí)的日后流行奠定了基礎(chǔ)，但之所以使用深度網(wǎng)絡(luò)而不是之前的神經(jīng)網(wǎng)絡(luò)綽號(hào)，是因?yàn)橹髁餮芯科诳瘜?duì)神經(jīng)網(wǎng)絡(luò)這個(gè)詞持反感態(tài)度，甚至看到論文就拒絕投稿。某些論文標(biāo)題中使用的詞。

深度學(xué)習(xí)的重大轉(zhuǎn)折發(fā)生在 2012 年。計(jì)算機(jī)視覺領(lǐng)域的科學(xué)家開始意識(shí)到數(shù)據(jù)大小的重要性。2010 年，斯坦福大學(xué)計(jì)算機(jī)科學(xué)副教授李飛飛發(fā)布了 ImageNet，這是一個(gè)圖像數(shù)據(jù)庫，包含數(shù)千萬張手動(dòng)標(biāo)記的圖像，屬于 1000 個(gè)類別，包括動(dòng)物、植物、日常生活等領(lǐng)域。從 2010 年到 2017 年，計(jì)算機(jī)視覺專家根據(jù)這些圖像舉辦年度分類競(jìng)賽，ImageNet 已成為全球視覺研究中機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法的試金石。2012 年，多倫多大學(xué) Geoffrey Hinton 的一名學(xué)生 Alex Krizhevsky 通過在兩塊 NVIDIA 顯卡 (GPU) 上編寫神經(jīng)網(wǎng)絡(luò)算法贏得了 ImageNet 分類競(jìng)賽，他的算法大大超過了第二名參賽者的識(shí)別率。該網(wǎng)絡(luò)隨后被命名為 AlexNet。這是深度學(xué)習(xí)快速崛起的開始。

圖 2：AlexNet 的網(wǎng)絡(luò)結(jié)構(gòu)（來源：Krizhevsky、Alex、Ilya Sutskever 和 Geoffrey E. Hinton，“Imagenet classification with deep convolutional neural networks”，Advances in Neural Information Processing Systems，2012。）

從 AlexNet 開始，到 ImageNet 的數(shù)據(jù)支持和商用顯卡的計(jì)算支持，神經(jīng)網(wǎng)絡(luò)架構(gòu)研究逐漸爆發(fā)。首先，由于發(fā)布了多個(gè)軟件包（例如 Caffe、TensorFlow 和 Torch），實(shí)施深度學(xué)習(xí)變得更加容易。其次，ImageNet 分類競(jìng)賽和 COCO 競(jìng)賽的后續(xù)迭代，其中給定的任務(wù)涉及更復(fù)雜的圖像分割和描述，產(chǎn)生了 VGGNet、GoogLeNet、ResNet 和 DenseNet。這些神經(jīng)網(wǎng)絡(luò)使用的層數(shù)逐漸增加，從AlexNet的11層和VGGNet的19層到ResNet的150層，甚至DenseNet的200層，從而實(shí)現(xiàn)了真正的深度學(xué)習(xí)。在某些關(guān)于分類問題的數(shù)據(jù)集上進(jìn)行測(cè)試時(shí)，這些深度神經(jīng)網(wǎng)絡(luò)甚至超過了人類的識(shí)別精度（ImageNet 上的人類錯(cuò)誤率約為 5%，而 SENet 可以達(dá)到 2.25%）。這在下表1：

表 1：歷屆 ImageNet 圖像分類競(jìng)賽中表現(xiàn)最佳的網(wǎng)絡(luò)總結(jié)（來源：作者根據(jù)https://github.com/sovrasov/flops-counter.pytorch的原始論文計(jì)算得出）。

自這一突破以來，計(jì)算機(jī)科學(xué)家越來越多地使用神經(jīng)網(wǎng)絡(luò)算法來解決問題。除了上述在二維圖像的分類、分割和檢測(cè)中的應(yīng)用，神經(jīng)網(wǎng)絡(luò)還在時(shí)間信號(hào)領(lǐng)域甚至無監(jiān)督機(jī)器學(xué)習(xí)中得到應(yīng)用。循環(huán)神經(jīng)網(wǎng)絡(luò) (RN) 可以按時(shí)間順序接收信號(hào)輸入。網(wǎng)絡(luò)的每一層神經(jīng)元都可以壓縮和存儲(chǔ)記憶，而網(wǎng)絡(luò)本身可以從記憶中提取有效維度來進(jìn)行語音識(shí)別和文本理解。當(dāng)神經(jīng)網(wǎng)絡(luò)用于無監(jiān)督學(xué)習(xí)時(shí)，不是提取主成分或提取特征值，只需使用包含多層網(wǎng)絡(luò)的自動(dòng)編碼器，即可自動(dòng)縮小和提取原始信息。將上述與矢量量化網(wǎng)絡(luò)相結(jié)合，可以在不大量使用標(biāo)記數(shù)據(jù)的情況下對(duì)特征進(jìn)行聚類并獲得分類結(jié)果?，F(xiàn)在毫無疑問，無論是在有效性還是在應(yīng)用范圍方面，神經(jīng)網(wǎng)絡(luò)都已成為無可爭(zhēng)議的王者。

深度學(xué)習(xí)：最新技術(shù)和未來趨勢(shì)

2017 年，ImageNet 圖像分類大賽宣布完成決賽。但這并沒有預(yù)示著深度學(xué)習(xí)的終結(jié)。相反，研究和深度學(xué)習(xí)應(yīng)用已經(jīng)有效地超越了之前的分類問題階段，進(jìn)入了廣泛發(fā)展的第二階段。與此同時(shí)，深度學(xué)習(xí)相關(guān)國際會(huì)議論文投稿數(shù)量逐年呈指數(shù)級(jí)增長，表明越來越多的研究人員和工程師正在致力于深度學(xué)習(xí)算法的開發(fā)和應(yīng)用。未來幾年，深度學(xué)習(xí)的發(fā)展將主要順應(yīng)以下幾個(gè)趨勢(shì)。

首先，從結(jié)構(gòu)上講，使用的神經(jīng)網(wǎng)絡(luò)類型會(huì)更加多樣化。生成對(duì)抗網(wǎng)絡(luò) (GANs) 可以執(zhí)行卷積神經(jīng)網(wǎng)絡(luò)的逆過程，自 2016 年首次提出以來發(fā)展迅速，已成為深度學(xué)習(xí)的重要增長領(lǐng)域。因?yàn)樯疃葘W(xué)習(xí)算法可以從原始信息（比如圖像）中提取特征，那么逆過程在邏輯上應(yīng)該是可行的。換句話說，應(yīng)該可以使用雜亂的信號(hào)通過特定的神經(jīng)網(wǎng)絡(luò)生成相應(yīng)的圖像。正是基于這種洞察力，計(jì)算機(jī)科學(xué)家 Ian Goodfellow 提出了生成對(duì)抗網(wǎng)絡(luò)的概念。除了生成圖像的生成器之外，這種類型的網(wǎng)絡(luò)還提供鑒別器。在訓(xùn)練過程中，生成器傾向于掌握生成的圖片，這些圖片與真實(shí)圖片極其接近，而計(jì)算機(jī)很難區(qū)分。相比之下，鑒別器傾向于掌握區(qū)分真實(shí)圖片和生成圖片的魯棒能力。隨著兩者相互學(xué)習(xí)，生成的圖像越逼真，鑒別器就越難鑒別。相反，鑒別器的能力越大，生成器就越有動(dòng)力生成新的、更逼真的圖像。生成對(duì)抗網(wǎng)絡(luò)有著廣泛的應(yīng)用，從人臉生成和識(shí)別到圖像分辨率提升、視頻幀率提升、圖像風(fēng)格遷移等領(lǐng)域。

其次，此類網(wǎng)絡(luò)涉及的研究問題往往更加多樣化。一方面，在機(jī)器學(xué)習(xí)的其他分支中發(fā)現(xiàn)的一些概念，例如強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)，在深度學(xué)習(xí)中找到了新的位置。另一方面，深度學(xué)習(xí)的研究已經(jīng)從工程試錯(cuò)發(fā)展到理論推導(dǎo)。深度學(xué)習(xí)因缺乏理論支撐而受到批評(píng)，在訓(xùn)練過程中幾乎完全依賴數(shù)據(jù)科學(xué)家的經(jīng)驗(yàn)。為了減少經(jīng)驗(yàn)對(duì)結(jié)果的影響，減少選擇超參數(shù)的時(shí)間，研究人員除了對(duì)最初的經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改外，還在從根本上修正深度學(xué)習(xí)的效率。一些研究人員正試圖將其他機(jī)器學(xué)習(xí)方法（如壓縮感知和貝葉斯理論）聯(lián)系起來，以促進(jìn)深度學(xué)習(xí)從工程試錯(cuò)到理論指導(dǎo)實(shí)踐的轉(zhuǎn)變。也有人努力解釋深度學(xué)習(xí)算法的有效性，而不是僅僅將整個(gè)網(wǎng)絡(luò)視為黑匣子。與此同時(shí)，研究人員一直忙于為超參數(shù)主題建立另一套機(jī)器學(xué)習(xí)問題，稱為元學(xué)習(xí)，試圖降低超參數(shù)選擇過程的難度和隨機(jī)性。也有人努力解釋深度學(xué)習(xí)算法的有效性，而不是僅僅將整個(gè)網(wǎng)絡(luò)視為黑匣子。與此同時(shí)，研究人員一直忙于為超參數(shù)主題建立另一套機(jī)器學(xué)習(xí)問題，稱為元學(xué)習(xí)，試圖降低超參數(shù)選擇過程的難度和隨機(jī)性。也有人努力解釋深度學(xué)習(xí)算法的有效性，而不是僅僅將整個(gè)網(wǎng)絡(luò)視為黑匣子。與此同時(shí)，研究人員一直忙于為超參數(shù)主題建立另一套機(jī)器學(xué)習(xí)問題，稱為元學(xué)習(xí)，試圖降低超參數(shù)選擇過程的難度和隨機(jī)性。

第三，由于最近大量注入新的研究成果，更多的算法正在商業(yè)產(chǎn)品中使用。除了幾家開發(fā)圖像生成小程序的小公司外，大公司也在深度學(xué)習(xí)領(lǐng)域爭(zhēng)奪地盤。互聯(lián)網(wǎng)巨頭谷歌、Facebook、微軟都設(shè)立了深度學(xué)習(xí)開發(fā)中心。他們的中國同行百度、阿里巴巴、騰訊、京東和字節(jié)跳動(dòng)也各自建立了自己的深度學(xué)習(xí)研究中心。DeepMind、商湯科技、曠視科技等幾家扎根于深度學(xué)習(xí)技術(shù)的獨(dú)角獸公司，也在眾多競(jìng)爭(zhēng)者中脫穎而出。2019年以來，行業(yè)相關(guān)的深度學(xué)習(xí)研究逐漸從發(fā)表論文轉(zhuǎn)向落地項(xiàng)目。比如騰訊AI Lab優(yōu)化了視頻播放，

第四，隨著5G技術(shù)的逐步普及，深度學(xué)習(xí)將與云計(jì)算一起走進(jìn)日常生活。由于缺乏計(jì)算資源，深度學(xué)習(xí)是一項(xiàng)普遍難以落地的技術(shù)。一臺(tái)帶有 GPU 的超級(jí)計(jì)算機(jī)的成本可能高達(dá) 3,411,900 美元（美元）或 500,000 日元（人民幣），而且并非所有公司都有資金和人才來充分利用此類設(shè)備。然而，隨著 5G 技術(shù)的普及和云計(jì)算的可用性，企業(yè)現(xiàn)在可以通過租用直接從云端獲取計(jì)算資源，而且成本低廉。公司可以將數(shù)據(jù)上傳到云端，并幾乎實(shí)時(shí)地從云端接收計(jì)算結(jié)果。許多新興的初創(chuàng)公司正在研究如何利用這一基礎(chǔ)設(shè)施，并組建了計(jì)算機(jī)科學(xué)家和數(shù)據(jù)科學(xué)家團(tuán)隊(duì)，為其他公司提供深度學(xué)習(xí)算法支持和硬件支持。這使得以前與計(jì)算機(jī)技術(shù)關(guān)系不大的行業(yè)（例如制造、服務(wù)、娛樂，甚至法律行業(yè)）中的公司不再需要定義他們的問題并開發(fā)他們的解決方案。相反，他們現(xiàn)在可以通過與算法公司合作，從計(jì)算機(jī)技術(shù)行業(yè)的專業(yè)知識(shí)中受益，這樣他們就可以通過深度學(xué)習(xí)獲得授權(quán)。這使得以前與計(jì)算機(jī)技術(shù)關(guān)系不大的行業(yè)（例如制造、服務(wù)、娛樂，甚至法律行業(yè)）中的公司不再需要定義他們的問題并開發(fā)他們的解決方案。相反，他們現(xiàn)在可以通過與算法公司合作，從計(jì)算機(jī)技術(shù)行業(yè)的專業(yè)知識(shí)中受益，這樣他們就可以通過深度學(xué)習(xí)獲得授權(quán)。這使得以前與計(jì)算機(jī)技術(shù)關(guān)系不大的行業(yè)（例如制造、服務(wù)、娛樂，甚至法律行業(yè)）中的公司不再需要定義他們的問題并開發(fā)他們的解決方案。相反，他們現(xiàn)在可以通過與算法公司合作，從計(jì)算機(jī)技術(shù)行業(yè)的專業(yè)知識(shí)中受益，這樣他們就可以通過深度學(xué)習(xí)獲得授權(quán)。

總結(jié)與討論

50 多年來，深度學(xué)習(xí)從原型到成熟，從簡(jiǎn)單到復(fù)雜。學(xué)術(shù)界和工業(yè)界積累了大量的理論和技術(shù)經(jīng)驗(yàn)?，F(xiàn)在的發(fā)展方向比以往任何時(shí)候都更加多元化。一方面是因?yàn)楹芏嘞鄳?yīng)的產(chǎn)品已經(jīng)進(jìn)入研發(fā)階段，另一方面是因?yàn)橛?jì)算機(jī)科學(xué)家正在對(duì)深度學(xué)習(xí)進(jìn)行更細(xì)致的研究。

當(dāng)然，作為一門綜合學(xué)科，深度學(xué)習(xí)除了在圖像識(shí)別領(lǐng)域的核心發(fā)展歷程之外，還在語音分析和自然語言處理領(lǐng)域取得了碩果。同時(shí)，結(jié)合多種神經(jīng)網(wǎng)絡(luò)和多媒體格式正迅速成為研究的熱點(diǎn)領(lǐng)域。例如，結(jié)合圖像和語言處理的自動(dòng)圖像字幕是一個(gè)具有挑戰(zhàn)性的問題。

還應(yīng)該注意的是，深度學(xué)習(xí)并不是實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的唯一方法。一些現(xiàn)階段應(yīng)用不那么廣泛的網(wǎng)絡(luò)結(jié)構(gòu)，如自適應(yīng)共振網(wǎng)絡(luò)、霍普菲爾德網(wǎng)絡(luò)和受限玻爾茲曼機(jī)，也可能有一天會(huì)推動(dòng)整個(gè)行業(yè)進(jìn)一步發(fā)展?？梢钥隙ǖ氖?，雖然深度學(xué)習(xí)目前似乎仍籠罩在難以捉摸的復(fù)雜和神秘光環(huán)中，但在不久的將來，這個(gè)科幻概念將成為許多大大小小的公司的基礎(chǔ)技術(shù)。

審核編輯黃昊宇