深度学习掀起人工智能新高潮

来源：中为咨询www.zwzyzx.com 【日期：2016-06-07 16:06:34】【打印】【关闭】

相关报告

人工智能可分为弱人工智能与强人工智能，弱人工智能主要基于规则实现某领域类人系统，能够解决复杂分类问题以及简单推理。强人工智能拥有真正的类人智力，能够推理拥有感情与意识。

深度学习算法2006年被Hinton提出，2010年开始应用于图像处理与语音识别并取得较好的效果，随后图像识别与语音识别准确率大幅提升。当前人工智能浪潮是由于深度学习带来算法上的突破后，使得复杂任务分类准确率大幅提升，从而推动了图像处理、语音识别以及语义理解技术的快速发展。而人工智能主要就是图像处理与语音识别为核心的感知智能以及语义理解为核心的认知智能组成，图像处理与语音识别以及语义理解上技术的突破使得很多人工智能应用得到解决，从而推动人工智能技术的快速发展。强人工智能与弱人工智能比较

深度学习解决复杂任务分类问题。人工神经网络分为浅层学习与深度学习，浅层学习通常只有2-3层的节点，像决策树、SVM以及传统人工神经网络都属于浅层学习，由于节点深度小，所以只能表达简单函数，也只能完成一些先验的统计判断工作，而深度学习包含多层节点，自动分层提取特征，类似人脑分层处理信息，能够构建复杂的人工智能模型，从而模拟人脑解决人工智能问题。人工神经网路结构图

深度学习算法结构图

研究人员通过实验发现人脑中神经-中枢-大脑的工作过程可能是一个不断迭代、不断抽象的过程。从原始信号，做低级抽象，逐渐向高级抽象迭代，人类的逻辑思维，经常使用高度抽象的概念。

同样人的视觉系统的信息处理也是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。例如，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是椭圆形的），然后进一步抽象（大脑进一步判定是人脸）。人脑分层处理信息

深度学习算法是模仿人分层处理信息的模式来处理信息。深度学习首先在计算机上构建出多层神经网络，再输入大量的图像信息进行逐层训练之后，各层会提取相应的特征，其中包含的深层次概念会被逐步提取出来。而传统人工神经网络增加节点的层数只是增加了选择特征的数量，没有分层通过特征抽象，对于复杂问题的解决效果较差。

深度学习算法通过调整每一层encoder与decoder参数，使得每层输入与输出信息损失尽量小，这样encoder模型选取的特征能够很好的表示输入信息，通过逐层选取的特征来不断抽象处理输入信息，最终实现判断与预测功能。

传统人工神经网络等浅层学习，通过调整模型参数使得模型输出和标签尽量一致，这样模型只有一层，节点与深度的增加只是增加了特征数量，没有分层对输入信息特征进行分层处理。浅层学习算法结构

深度学习算法结构

经过大量数据训练的深度学习模型相比其他算法效果大幅提升。微软研究院和Google的语音识别研究人员先后采用DNN技术降低语音识别错误率20％~30％，是语音识别领域十多年来最大的突破性进展。2012年，DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26％降低到15％。深度学习算法表现优于其他人工智能算法