第1章

深度学习简介

1.1

什么是深度学习

1.1.1

机器学习简介

毫无疑问，人类是地球上最具智慧的生物。一个重要体现是，人类可以做很多其他动物或者机器不能做的精细动作或者事情，如阅读、开车。人工智能的一个目的是让机器可以实现人类的某些能力，从而提高机器的工作效率，扩大机器的应用范围。我们如何让机器具有人类的某些智慧或者能力呢？一个自然的方法是，我们手把手教机器如何做。如图1-1所示，首先制定一套完成某项任务的规则（或称为算法），然后通过编程实现算法，最后输入指定值，通过算法得到输出值，依据输出值做出相应的决策。假设我们想让机器判断图片中的图形是一个矩形还是圆形，可以事先“告诉”（通过编程实现“告诉”的过程）机器判断矩形和圆形的标准或者规则。例如，我们已知由4条首尾相连的边组成且4条边的夹角均为90°的图形是矩形。在图形只包括矩形和圆形的情况下，判断矩形和圆形的规则如算法1.1所示。

图1-1　算法方式实现人工智能

算法1.1　在图形只包括矩形和圆形的情况下，制定判断矩形和圆形的规则

如果图形由4条首尾相连的边组成且4条边的夹角均为90°，　图形是矩形否则，　图形是圆形

另一个方法是，给机器提供很多矩形和圆形，让机器从中学习矩形和圆形的特征，进而做出判断。我们首先测量并记录这些图形的一些属性（属性也称为特征），如边的数量、夹角度数等，得到数据（该数据称为训练数据），如表1-1所示。

表1-1　判断矩形和圆形的训练数据

图形编号

特征

标签

边的数量夹角度数

0490°矩形

100°圆形

我们将该训练数据提供给一个机器学习算法，然后该算法通过学习得出一个关于图形特征和形状的模型。当碰到一个新的图形时，测量其特征，然后将特征代入训练好的模型，模型将会自动判断新的图形是矩形还是圆形。对于一般情况，机器学习方法实现人工智能的流程分为3个步骤（见图1-2）。

图1-2　机器学习方法实现人工智能的流程

（1）收集和预处理数据。

（2）根据数据特点，选择适合的机器学习算法，使用数据训练模型。

（3）给定输入值，使用训练好的模型得到输出值（通常为一个预测或者判断），做出相应的决策或者行动。

总体来说，第一种方法比较直接，对一些相对简单的情况，它可以取得很好的效果，而且编程实现较快。然而，第一种方法在实际应用中有两点不足。首先，这种方法难推广。例如，如果进一步希望算法可以判断4种图形，如圆形、椭圆形、矩形和正方形，那么我们需要从头开始设计算法，重新编程。其次，对于较难的问题，我们有时会很难设计有效的算法。例如，判断图1-3的矩形框中是否为眼睛。可以试着想想，如何采用算法教一个小宝宝判断图1-3的矩形框中是眼睛。

图1-3　数字图像处理领域常用的标准图片

第二种方法基于机器学习算法，它可以有效克服第一种方法的缺点。首先，机器学习方法更易于推广。例如，如果已经建立了一个判断矩形和圆形的算法，现在，我们希望可以拓展模型的功能，判断图形是否是圆形、椭圆形、矩形和正方形，那么我们只需要收集这些图形的图片，测量其特征，得到训练数据，然后训练机器学习模型。在这个过程中，训练模型的方法是类似的，整个过程只在收集数据的步骤中增加了工作量，其他步骤中没有增加工作量。机器学习方法可以处理更加复杂的问题。例如，对于判断图1-3的矩形框中是否为眼睛的问题，我们只需要收集图片不同部位的特征，选择合适的机器学习算法，然后训练模型。这个过程与我们教小宝宝的过程类似，我们会指着图片的不同部位，告诉小宝宝哪个部位是眼睛，哪个部位不是眼睛；小宝宝通过学习不同的人脸、不同的部位，慢慢地便可以学会判断哪个脸部器官是眼睛。基于机器学习的诸多优点，现在机器学习是实现人工智能最重要的方法。深度学习是机器学习的一个分支。深度学习是机器学习的一部分，与机器学习的其他分支学科，以及统计学、人工智能等学科都有着紧密的联系。深度学习、机器学习、人工智能、统计学之间的关系如图1-4所示。