如果你从2000年就开始看过人工智能的出版物或文献，你可能会注意到“深度学习”这个词出现的越来越频繁。但是什么是深度学习？为什么很重要？

什么是深度学习？

深度学习（DL）是机器学习（ML）的一个子集，它涉及到学习功能的层次结构，以从复杂的输入空间获得有意义的洞察力。DL网络可以被视为一个神经网络，由两层或多层神经元进行计算。



这套算法包括深信网络（DBN）、卷积神经网络（CNN）和递归神经网络（RNN）。

深度学习与“浅度”学习

在传统的ML系统中，专家选择在分类中有用的特征，并将其作为ML算法的输入。然后，该算法学习如何使用这些特征来最大限度地提高分类精度。在一个DL系统中，特性是通过数学过程学习的，比如在网络的每一层进行反向传播。在网络的第一层，DL系统将学习从原始输入信号计算出的基本特性。在第二层上，网络使用在第一层上学习的特性的组合学习更复杂的特性，等等。在网络的最后，在所有先前的特征层之上学习高级特征，这样对这些高级特征进行分类是一个容易的问题，其中对原始输入信号的分类可能非常困难。

你可能会好奇，“深层神经网络能计算出单层神经网络不能计算出什么呢？“令人惊讶的是，答案是……没什么！没错，单层感知器是一个通用的函数近似器，也就是说，只有一层神经元，我们就可以用一层来模拟任何问题的解决方案。那么为什么我们要添加更多的层呢？

单层方法的一个问题是，它可以用单层中的指数数量的神经元产生与深层网络相同的结果。如果我们有3层500个神经元（总共1500个神经元），可能需要数千亿个神经元才能在一层中实现相同的功能近似值！除此之外，这个问题是难以解决的，这意味着我们不能直接解决这个问题。相反，我们必须大致了解这个单层是什么。因为我们不知道如何在一个浅层中紧凑地解决这个问题，所以我们转而利用深度学习来解决我们的问题。

为什么深度学习被认为很难？

虽然人们常常对使用深度学习感到兴奋，但他们很快就会因为实施自己的深层网络而感到沮丧。人们与深度学习斗争的一些主要原因包括：

1. 深度学习需要大型数据集。因为深度学习必须学会概括这些大型特征层次结构，所以它们需要非常大量的数据才能进行操作。

2. 深度学习需要大量的计算能力。大数据集意味着需要进行许多计算以迭代训练数据足够的时间以学习收敛。现代深度网络可能有数百层，除了高端图形处理单元（GPU）之外，每个训练示例都不可行。

3. 深层学习是很难培养和优化。因为我们实际上并不知道网络所学的功能是什么，所以当我们的DL系统没有产生好的结果时，很难知道出了什么问题。

怎么能克服这些挑战？

由于上面列举的三个问题，建立一个自己的DL系统似乎是徒劳的任务，但与像Clarifai这样的供应商合作可以使这更容易。

1. 供应商拥有大数据集。如果您曾经使用过Clarifai的API来训练您自己的自定义模型，您就会知道您不需要数百张图像来学习一个概念......只有少数几个！我们经过预先训练的网络已经看到了很多图像，您只需要一些自己学习的图像。

2. 供应商拥有大量的计算能力。我们使用的硬件在高性能云中运行，与我们的API无缝集成（感谢我们非常有才华和有吸引力的工程师），以减少用户的计算负担。您可以在智能手机或物联网设备上运行充满计算能力的房间！

3. 供应商拥有一支专业，经验丰富的DL专家团队。通过多年的学校教育和培训，Clarifai的研究科学家，机器学习工程师和数据战略家团队能够从您的数据中获得最佳模型。我们的工作是使我们的模型尽可能地对您的数据进行分类，并且我们通过使用当前的研究文献和专有算法不断改进我们自己的最先进的性能。通过与我们合作，我们的客户无需花费所有周末调整神经网络超参数。