自從前年Alpha Go完虐李世石之后，深度學習就火了，但似乎沒人說得清它的原理，只是把它當作一個黑箱來使，有人說，深度學習就是一個非線性分類器，也有人說，深度學習是對人腦的模擬，然而，筆者覺得都沒有捅透那層窗戶紙。
這幾年，人工智能引起了非常多的關注，深度學習和機器學習在AI核心技術上得到了充分的關注之外，在計算機視覺和自然語言處理等領域又一次產生了巨大的影響，深度學習也是無人駕駛汽車的關鍵技術。
深度學習到底是什么？
在深度學習中，計算機模型學習直接從圖像、文本或聲音中執(zhí)行分類任務，深度學習模式可以達到新的精確度，有時甚至超過人類的表現，大多數深度學習方法使用神經網絡的架構，這也是深度學習模型通常被稱為深度神經網絡的原因。
所謂深度通常是指神經網絡中隱藏層的數量，傳統(tǒng)的神經網絡只包含2到3個隱藏層，而深度神經網絡最多可以有150個，深度神經網絡最受歡迎的類型之一是卷積神經網絡，，卷積神經網絡通過輸入數據來卷積學習特征，并通過2D卷積圖層，使得這種架構非常適合處理2D數據。
為何深度學習關注點很多？
最主要的原因是準確性，深度學習模式可以達到前所未有的精確度，有時甚至超過人類的表現，還有另外兩個因素使該技術得到了業(yè)界的關注，其一，深度學習需要大量的標記數據。如，無人駕駛汽車的發(fā)展需要以數百萬計的圖像和數千小時的視頻為基礎，這些大量的標記數據現在已經可以輕松獲得。
其二，深度學習需要大量的計算能力，高性能的GPU具有高效深度學習的并行架構，與集群或云計算結合使用時，開發(fā)團隊可以將深度學習網絡的培訓時間從幾周縮短到幾個小時甚至更短。
深度學習會是AI未來嗎？
其實，深度學習并不是人工智能的同義詞，由于谷歌、Facebook等巨頭公司宣傳人工智能工具時主要談的就是深度學習，甚至只談深度學習，因此大眾誤以為所有的人工智能都由深度學習書寫，然而，真實情況并非如此。
未來人工智能應探索其它的新方法，或者被忽視的舊方法，而不僅僅使用深度學習，深度學習的一個局限是把數據中最常見的內容作為真理，把統(tǒng)計學上較稀少、或與較常出現的內容相反的東西看作謬論，深度學習的公正性并非來自其自身，而是人類篩選和準備的深度學習數據。
此外，有一些專家正在開發(fā)完全不包含深度學習的全新人工智能系統(tǒng)，但他們缺乏資金支持，現在所有人都只投資深度學習，而且這個風潮還將持續(xù)一段時間，沒有人知道下一個人工智能大事件將會是關于什么的，但不太可能是深度學習。
總結：如果你們還沒來得及學習人工智能，那么你們可以考慮等待下一個人工智能系統(tǒng)興起，并準備好并直接研究它，跳過深度學習，否則，如果你有需求學習人工智能，筆者建議你們一定要深入了解整個人工智能和機器學習領域的知識，而不僅僅是深度學習。
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
