谷歌如何在短短几秒钟内将整个网页翻译成不同的语言，或者您的手机图库如何根据图像的位置对图像进行分组？这些都是深度学习的结果。但什么是深度学习？深度学习是机器学习的一个子集，而机器学习又是人工智能的一个子集。人工智能是一种使机器能够模仿人类行为的技术，机器学习是一种通过使用数据训练的算法实现人工智能的技术，最后深度学习是一种受人脑结构启发的机器学习（生物神经网络）.这种结构在深度学习领域被称为人工神经网络。让我们更好地了解深度学习及其与机器学习的区别。假设我们有一台机器可以区分西红柿和樱桃，如果这是使用机器学习完成的，则必须告诉机器可以区分两者的特征。这些特征可能是词干的大小和类型。如果使用深度学习，神经网络可以在没有人为干预的情况下提取特征。当然，这种功能需要有大量的数据来训练我们的机器。现在让我们深入了解神经网络的工作原理。它是如何工作的这里我们有三个学生，他们每人在一张纸上写下数字9，但他们写的并不完全相同。人脑可以轻松识别数字，但计算机如何识别数字呢？这可以使用深度学习来实现。每个数字显示为28x28像素的图像，总共784个像素。这是一个经过训练可以识别手写数字的神经网络。神经元是神经网络中最基本的核心实体。这是处理信息的地方。784个像素中的每一个都被发送到神经网络的第一层。构成输入层的神经元，只接受输入，不进行功能处理。另一端是输出层，输入层和输出层之间的神经元层称为隐藏层。隐藏层和输出层的神经元是具有激活函数的功能神经元。输入层神经元接收784个输入信号，通过加权连接传输，神经元接收到的总输入值将与神经元的阈值（每个神经元都有一个阈值，称为biasBias）进行比较，并且然后经过激活函数（ActivationFunction）处理，生成神经元的输出。激活函数的结果决定了神经元是否被激活。神经网络的学习过程是根据训练数据调整神经元之间的“连接权重”和各功能神经元的阈值。换句话说，神经网络学习的内容包含在连接权重和阈值中。应用那么深度学习有哪些应用呢？在客户服务方面：当大多数人与客户服务代理交谈时，对话看起来非常真实，他们甚至没有意识到它实际上是一个机器人。在医疗行业，神经网络检测癌细胞并分析MRI图像以提供详细结果。科幻小说中的自动驾驶汽车现在已经成为现实。Apple、Tesla和Nissan都是致力于开发自动驾驶汽车的公司。局限性深度学习的范围很广，但也面临着一些局限性。数据量第一个限制是数据。虽然深度学习是处理非结构化数据最有效的方法，但神经网络需要大量数据进行训练。计算能力假设我们有大量的样本数据，但并不是每台机器都有能力处理这些数据，这就给我们带来了第二个限制：计算能力。通常称为“计算能力”。训练神经网络需要数千个图形处理单元。与CPU相比，GPU当然更昂贵。训练时间终于是训练时间了。深度神经网络需要数小时甚至数月的训练。时间随着数据量和网络层数的增加而增加。深度学习框架一些流行的深度学习框架包括Tensorflow、Pytorch、Caffe、DL4J和Microsoft认知工具包。未来，我们只看到了未来深度学习和人工智能应用的表面，未来将充满惊喜。HorseTechnology正在为盲人开发一种设备，该设备使用深度学习通过计算机视觉向用户描述世界，将人类思维作为一个整体进行复制。Quiz所以这里给你一个小测验，神经网络的正确工作顺序：A.添加偏置B.计算输入的加权和C.特定神经元被激活特定神经元被激活D.结果被馈送到一个激活function结果被馈送到一个激活函数答案：B，计算输入的加权和A，加上偏差D，结果被馈送到激活函数C，特定的神经元被激活描述：在一个神经网络中，每个神经元在一层连接到相应层中的其他神经元。这些连接具有随机权重。计算输入的加权和，并以偏差的形式添加额外的输入(w*x+b)。结果被送入激活函数。基于特定的阈值，只有那些超过阈值的神经元被激活。
