深度学习网络取得突破性进展
时间：2018-04-18

文·图/肖优明

深度学习产生新算法

深度学习是基于机器学习延伸出来的一个新的领域。由以人大脑结构为启发的神经网络算法为起源，加之模型结构深度的增加发展，并伴随大数据和计算能力的提高而产生的一系列新的算法。

深度学习和神经网络是互相交叉的两个概念，深度学习源于人工神经网络的研究。它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。2006年，美国著名计算机科学家扬·勒丘恩提出“卷积神经网络”（简称CNN）。他在机器学习、计算机视觉、移动机器人技术和计算神经科学等领域都有很多贡献，其中最著名的工作是在光学字符识别和计算机视觉上使用CNN，被称为“CNN之父”。CNN是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能，目前主要应用于图像识别和图像分类。另外一种深度学习网络算法叫“深度置信网”（简称DBN），是一种无监督学习下的机器学习模型。它提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。

在CNN系统被广泛应用前，大多数的识别任务都是先经过人工特征提取步骤，然后用分类器判断。而CNN模型颠覆了计算机模式识别领域，能自动地从训练样本中学习特征。由于卷积运算能够捕捉图像的二维属性，CNN方法在图像识别任务上尤其显得强大。用卷积核扫描整张图片之后，需要学习的参数比原来大大减少。CNN系统近年来之所以被大规模地应用，主要得益于两项重要的突破。首先，大规模的人工标注数据集很容易获取，比如ImageNet大规模视觉识别挑战，这些数据可以作为训练集和验证集。其次，CNN学习算法现在能够在大规模并行图形处理单元上运行，极大地提高了学习效率和预测能力。

CNN系统

举一反三

人工智能技术发展迅速，日趋先进高级。它们能够与医学和其他领域的专家能力相匹配，在某些方面甚至有所超越。CNN系统使得深度学习网络大幅提升，具备强大功能，可以将所看到的一切详细加以描述，尤其引人注目。

CNN系统具有深度学习能力，可以从微妙的事物中举一反三，进行推断，分辨出图像类型，最简单的例子就是通过深度学习识别狗与猫。人们很容易将这两种动物区别开来，但是CNN系统能够比人类更精确地分类，并且通过这项识别验证，引申出了更多具有实际意义的应用，比如识别某一个图片中是否有癌细胞，某一个铁路沿线上的轨道是否存在磨损，甚至军事作战中，对方的视线中是否有坦克，都可以通过深度学习实现。谷歌的自动驾驶，其中很重要的就是识别道路、交通信号灯、路标等，这都是通过深度学习获得。

计算机版的CNN系统深度学习具备许多功能，通过识别行人，制造安全性能较强的自动行驶汽车，保险公司开始应用深度学习工具评估汽车损坏状况。在安全相机行业，CNN系统能够尽可能理解群体行为，保障公共场所和机场更加安全。在农业生产领域，深度学习系统可以预测农作物产量，监控水位，并在农作物病害扩散之前及时探测到。此外，CNN系统还能广泛应用于医学领域。

在汽车应用产品中，CNN能够将车前部摄像头捕捉到的原始像素图，映射为汽车的方向操控命令。这种强大的“端到端”技术意味着，只需要人们提供少量的训练数据，这套系统就能自动学会驾驶技术。无论有没有车道标志线，是在普通公路还是高速公路，或者像停车场或者崎岖的道路等视线不清晰的区域，CNN都可以准确无误地加以应对。

虽然输入的训练信号仅仅只是人工操控方向盘的角度，并没有直接训练这个系统来识别道路边界等特征，但是CNN经过训练后能自动学会方向操纵指令的表达，比如检测有效道路的特征和保持车道驾驶的任务等。不同于直接人工将问题拆解，比如拆解成车道标记检测、线路规划、车辆控制等子任务，CNN系统同时能优化所有的操纵过程。从不到100小时的少量训练数据就足以训练在各种条件下操控车辆，比如在高速公路、普通公路和居民区道路，以及晴天、多云和雨天等天气状况。CNN模型可以从非常稀疏的训练信号（只有方向控制命令）中学到有意义的道路特征。

编辑：成韵 chengyunpipi@126.com