IE9下訪問(wèn)可能不佳,推薦使用以下版本瀏覽器X

此前，人工智能程序“阿爾法狗”以4∶1的總比分擊敗圍棋世界冠軍李世石。不久前，它再次對(duì)戰(zhàn)柯潔，以3∶0的總比分大獲全勝。“阿爾法狗”先后兩次戰(zhàn)勝人類(lèi)，引起了人們對(duì)人工智能發(fā)展的新思考。

事實(shí)上，在深度學(xué)習(xí)出現(xiàn)之前，人工智能已經(jīng)經(jīng)歷了兩次熱潮，人工智能夠再次迎來(lái)“暖春”，可以說(shuō)是得益于深度學(xué)習(xí)。深度學(xué)習(xí)作為人工智能機(jī)器學(xué)習(xí)研究中的新領(lǐng)域，它實(shí)質(zhì)上是人工智能的一種算法，它通過(guò)分析學(xué)習(xí)從而建立并模擬人腦。它模仿人腦的思考機(jī)制來(lái)解釋數(shù)據(jù)，例如圖像，聲音和文本。那么，深度學(xué)習(xí)究竟是如何促使人工智能再次崛起的？

深層神經(jīng)網(wǎng)絡(luò)替代傳統(tǒng)神經(jīng)網(wǎng)絡(luò)

毫不夸張的說(shuō)，深度學(xué)習(xí)最終得以實(shí)現(xiàn)，深層神經(jīng)網(wǎng)絡(luò)為其奠定了扎實(shí)的基礎(chǔ)，究竟什么是深層神經(jīng)網(wǎng)絡(luò)？它與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)比較，深層神經(jīng)網(wǎng)絡(luò)具備哪些特點(diǎn)呢？深度學(xué)習(xí)又是如何在深層神經(jīng)網(wǎng)絡(luò)上展開(kāi)的呢？

深層神經(jīng)網(wǎng)絡(luò)是人工智能算法的一個(gè)分支，本質(zhì)上是多層函數(shù)嵌套形成的數(shù)學(xué)模型。在模型架構(gòu)上，深層神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)有諸多相似之處。像傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)一樣，深層神經(jīng)網(wǎng)絡(luò)也包括輸入層、隱藏層和輸出層，鏈接通道也只存在于相鄰層級(jí)之間的神經(jīng)元之間，在同一層及跨層之間是沒(méi)有鏈接的。

相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，深層神經(jīng)網(wǎng)絡(luò)具備更多的層級(jí)數(shù)量，并且具有更為有效的算法，也更加接近人腦的結(jié)構(gòu)，從而使得深層神經(jīng)網(wǎng)絡(luò)能夠處理更加復(fù)雜的輸入信息，深度學(xué)習(xí)就是在這個(gè)多層級(jí)的人工神經(jīng)網(wǎng)絡(luò)上進(jìn)行的。海量的訓(xùn)練數(shù)據(jù)、強(qiáng)大的計(jì)算架構(gòu)和學(xué)術(shù)領(lǐng)域的飛速進(jìn)展驅(qū)動(dòng)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)突破。因此，深度學(xué)習(xí)在圖像分類(lèi)、面部識(shí)別等方面超越了傳統(tǒng)方法。

大數(shù)據(jù)訓(xùn)練提升數(shù)據(jù)分析力、挖掘力

深度學(xué)習(xí)的開(kāi)展，主要得益于海量的大數(shù)據(jù)。在運(yùn)算表層，存在一個(gè)巨大的數(shù)據(jù)集，選定的深度學(xué)習(xí)模型以數(shù)據(jù)集中海量大數(shù)據(jù)為基礎(chǔ)，對(duì)大數(shù)據(jù)進(jìn)行多次訓(xùn)練，并從中摸索、歸納出可以被計(jì)算機(jī)運(yùn)用在類(lèi)似數(shù)據(jù)上的知識(shí)或規(guī)律。

伴隨現(xiàn)實(shí)世界中數(shù)據(jù)呈井噴式指數(shù)級(jí)增長(zhǎng)，大規(guī)模數(shù)據(jù)分析和數(shù)據(jù)挖掘是必不可少的，而且在分析力、挖掘力的效率提升層面也是迫在眉睫。由此可見(jiàn)，深度學(xué)習(xí)作用與人工智能離不開(kāi)對(duì)大數(shù)據(jù)的分析與挖掘。通過(guò)多次的大數(shù)據(jù)訓(xùn)練，數(shù)據(jù)分析挖掘系統(tǒng)對(duì)數(shù)據(jù)的挖掘和分析實(shí)現(xiàn)高效、深度的數(shù)據(jù)挖掘和分析。

高性能并行計(jì)算高速分析海量數(shù)據(jù)

伴隨人工智能的發(fā)展，如今的GPU在浮點(diǎn)運(yùn)算、并行計(jì)算、矩形運(yùn)算等部分計(jì)算方面已經(jīng)提升數(shù)十倍乃至上百倍，遠(yuǎn)遠(yuǎn)高于CPU的性能。正是基于高性能并行計(jì)算，才使得深度學(xué)習(xí)可以訓(xùn)練一個(gè)大的網(wǎng)絡(luò)環(huán)境。

GPU具備大量的核和大量的高速內(nèi)存，它最為擅長(zhǎng)進(jìn)行類(lèi)似圖像處理的并行計(jì)算。“粗粒度并行”計(jì)算很適用圖像處理，因?yàn)橄袼嘏c像素之間相對(duì)獨(dú)立，GUP提供大量的核，可以同時(shí)對(duì)很多像素進(jìn)行并行處理。需要強(qiáng)調(diào)一點(diǎn)，GUP提供的并行計(jì)算僅僅是在處理吞吐量方面使性能得以提升。因?yàn)镚PU的特點(diǎn)特別適合于大規(guī)模并行運(yùn)算，GPU在“深度學(xué)習(xí)”領(lǐng)域發(fā)揮著巨大的作用，因?yàn)镚PU可以平行處理大量瑣碎信息。深度學(xué)習(xí)所依賴(lài)的神經(jīng)系統(tǒng)網(wǎng)絡(luò)，就是要在高速的狀態(tài)下分析海量的數(shù)據(jù)。