通过上一篇文章《人工智能之机器学习（ML）》，我们确切地认识到人工智能（AI）是一门科学，机器学习（ML）是目前最主流的人工智能构建方法，而深度自学（DL）则是机器学习（ML）的一个分支，也是当下最风行的机器学习（ML）的一种。深度自学在机器学习领域是一个很热的概念，经过媒体和大V等抹黑，这个概念显得几近有些神话的感觉，下面让我来渐渐揭露深度自学的谜样面纱。
＾＿＾深度自学（DeepLearning）的概念由Hinton等人于2006年明确提出。基于深度置信网络（DBN）明确提出非监督不坏逐级训练算法，为解决问题深层结构涉及的优化难题带给期望，随后明确提出多层自动编码器深层结构。
此外Lecun等人明确提出的卷积神经网络是第一个确实多层结构自学算法，它利用空间比较关系增加参数数目以提升训练性能。那么到底什么是深度自学呢？深度自学（DL）是机器学习中一种基于对数据展开密切相关自学的方法，是一种需要模拟出人脑的神经结构的机器学习方法。
深度自学的概念源自人工神经网络的研究。而人工神经网络ANN（ArtificialNeuralNetwork）就是指信息处理角度对人脑神经元网络展开抽象化，创建某种非常简单模型，按有所不同的相连方式构成有所不同的网络，全称为神经网络或类神经网络。因此，深度自学又叫深层神经网络DNN（DeepNeuralNetworks），就是指之前的人工神经网络ANN模型发展而来的。
深度自学是机器学习研究中的一个新领域，其动机在于创建、仿真人脑展开分析自学的神经网络，它仿效人脑的机制来说明数据，比如图像，声音和文本等。深度自学，能让计算机具备人一样的智慧，其发展前景必然是无限的。同机器学习方法一样，深度机器学习方法也有监督自学与无监督自学之分．有所不同的自学框架下创建的自学模型很是有所不同．例如，卷积神经网络（Convolutionalneuralnetworks，全称CNNs）就是一种深度的监督自学下的机器学习模型，而深度置信网（DeepBeliefNets，全称DBNs）就是一种无监督自学下的机器学习模型。
深度自学所牵涉到的技术主要有：线性代数、概率和信息论、不出数值、过数值、正则化、仅次于似然估算和贝叶斯统计资料、随机梯度上升、监督自学和无监督自学、深度前馈网络、代价函数和偏移传播、正则化、稠密编码和dropout、自适应自学算法、卷积神经网络、循环神经网络、迭代神经网络、深度神经网络和深度填充网络、LSTM长短时记忆、主成分分析、正则自动编码器、密切相关自学、蒙特卡洛、有限波兹曼机、深度置信网络、softmax重返、决策树和聚类算法、KNN和SVM、分解对付网络和有向分解网络、机器视觉和图像识别、自然语言处置、语音辨识和机器翻译、受限马尔科夫、动态规划、梯度策略算法和强化自学（Q－learning）等等。辩论深度自学，认同不会谈到“深度（Depth）”一词，“深度”即层数。从一个输出中产生一个输入所牵涉到的计算出来可以通过一个流向图（flowgraph）来回应：流向图是一种需要回应计算出来的图，在这种图中每一个节点回应一个基本的计算出来以及一个计算出来的值，计算出来的结果被应用于到这个节点的子节点的值。
考虑到这样一个计算出来子集，它可以被容许在每一个节点和有可能的图结构中，并定义了一个函数族。输出节点没父节点，输入节点没子节点。这种流向图的一个尤其属性是深度（depth）：从一个输出到一个输入的最久路径的长度。深度多达8层的神经网络才叫深度自学。
不含多个隐层的多层自学模型是深度自学的架构。深度自学可以通过人组低层特征构成更为抽象化的高层回应属性类别或特征，以找到数据的分布式特征回应。深度自学的”深度“是所指从”输出层“到”输入层“所经历层次的数目，即”隐蔽层“的层数，层数就越多，深度也更深。
所以越是简单的自由选择问题，就越必须深度的层次多。除了层数多外，每层”神经元“－黄色小圆圈的数目也要多。例如，AlphaGo的策略网络是13层，每一层的神经元数量为192个。
深度自学可通过自学一种深层非线性网络结构，构建简单函数迫近，密切相关输出数据分布式回应，并展现出了强劲的从少数样本集中学习数据集本质特征的能力。多层的益处是可以用较多的参数回应简单的函数。深度自学的实质，是通过建构具备很多隐层的机器学习模型和海量的训练数据，来自学更加简单的特征，从而最后提高分类或预测的准确性。
因此，“深度模型”是手段，“特征自学”是目的。深度自学特别强调了模型结构的深度，引人注目了特征自学的重要性，通过逐级特征转换，将样本在原空间的特征回应转换到一个新的特征空间，从而使分类或预测更为更容易。
与人工规则结构特征的方法比起，利用大数据来自学特征，更加需要刻画数据的非常丰富内在信息。
本文来源：ballbet体育官方网站-www.parisgiftcorner.com
