深度学习

deeplearning

定义：辛顿等提出的一种研究信息的最佳表示及其获取方法的技术，在神经网络或信念网络的情况下是对基于深层结构或网络表示的输入输出间映射进行机器学习的过程。

学科：计算机科学技术_人工智能_神经网络

相关名词：神经网络 智能化系统人工智能 自然语言处理

【延伸阅读】

深度学习是机器学习的一个重要分支。它通过模拟人脑神经网络的结构和工作方式来处理数据、学习规律并做出预测。

1943年，美国神经生理学家沃伦·麦卡洛克与数学家沃尔特·皮茨发表了论文《神经活动中固有思想的逻辑运算》，首次将生物神经元抽象为数学模型。这项研究本质上是将神经生理机制转化为可计算的数学单元，揭示了智能系统信息处理的普适原理。2006年，英裔加拿大籍科学家杰弗里·辛顿等人提出了深度信念网络（DBNs），带领神经网络进入深度学习时代。

深度学习的关键在于其具备“深度”结构。它运用包含众多层的神经网络：由大量人工神经元连接而成的网络结构，少则十几层，多则上千层，逐步理解并呈现数据中的复杂规律。正是通过这样一层一层地叠加，模型才能够捕捉到数据中那些抽象、精细的特征。

深度学习和传统的机器学习方法有着明显的区别。传统机器学习方法通常需要人工手动去设计数据的关键特征，例如在识别图片时，要手动确定图片中的边缘、形状等特征。而深度学习则显得更加“智能”，它能够直接从原始数据，像原始像素这些信息中，自动找出有用的特征，无需人工设计特征。

不过，深度学习这种强大的能力可不是没有代价的。深度学习模型往往需要大量的数据来进行训练，如果数据不足，模型可能会“死记硬背”，遇到新数据就失效。而且，要处理和训练这些结构复杂的多层模型，强大的计算设备是必不可少的，比如高性能显卡。

目前，深度学习已经在生产、生活的许多领域中得到应用。

在医学领域，医学影像诊断系统正经历智能化革命。中国科学院研发的多维特征解析网络实现了纳米级病理切片重建技术，对20000例宫颈癌筛查数据进行多中心整合后，实现了98.7%的诊断准确率。在药物研发领域，图神经网络构建的2.3亿分子知识图谱能够实现日均50万化合物的活性预测。

在艺术领域，深度学习正在建立算法美学的新范式。通过神经网络的风格融合技术可以实现跨艺术门类转译，全新的文本生成模型可以创作专业级文学片段。比如，深度学习能够补全敦煌莫高窟中残缺的壁画。

在工业智能质检领域，有限数据条件下的视觉检测系统能够突破99.9%的缺陷识别精度，实时工艺模型可以提前8小时预判设备异常。中国的智能装备渗透率以年均25%的增速推进，这标志着智能制造已经进入规模化应用阶段。当量子计算与神经形态芯片融入工业体系时，中国的智能制造必将开启更具颠覆性的新纪元。

深度学习领域前景广阔，但也面临着一些技术困局。例如模型不可解释性引发的决策溯源难题，单次模型训练能耗惊人，支撑基础模型运行仍需百万级人工标注数据等。这些问题都需要开展进一步的科学探索，相信在不久的未来一定能够实现新的重大突破。

【我们尊重原创，也注重分享。版权原作者所有，如有侵犯您的权益请及时联系，我们将第一时间删除。分享内容不代表本网观点，仅供参考。】