温故而知新，如今回顾深度学习的基本原理，依然对我们理解它从何发展而来，为什么能发挥作用至关重要，也对我们在下个十年推进深度学习有指导性意义。
1
深度学习与人工智能
深度学习(Deep Learning, DL)作为人工智能的一个重要子分支，说到深度学习，不得不提人工智能(Artificial Intelligence, AI)和与之密切相关的机器学习(Machine Learning, ML)。刚接触人工智能、机器学习和深度学习的读者可能比较容易混淆三者之间的关系，它们之间的相互包含关系如图1-1所示。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。下面简要介绍相关概念。
图1-1 人工智能、机器学习、深度学习的包含关系
人工智能是在1956年由约翰·麦卡锡提出的概念，研究用于模拟、延伸和扩展人类智能的科学技术，属于现代计算机科学的一个重要分支。人工智能试图让计算机拥有人类的智慧，即具备理解语言、学习、记忆、推理、决策等诸多能力。人工智能延伸出了很多子领域，包括机器人、语音识别、图像识别、自然语言处理和专家系统等。
机器学习是实现人工智能的重要技术，采用算法解析观测到的大量数据，从中学习出更具一般性的规律，然后对真实世界中的事件作出预测。典型的机器学习算法包括决策树、随机森林、逻辑回归、支持向量机、朴素贝叶斯等。机器学习领域有一个经典共识，即数据和特征决定了机器学习性能的上限，而模型和算法只是不断朝着这个上限逼近。
而在模型和算法设计过程中，传统机器学习需要投入大量的人力在特征工程上，而理想的状态是让机器帮助我们自动找出应该使用的特征空间，无须人参与。为此，人们希望设计的机器学习算法能够自动学习特征和任务之间的关联，还能从简单特征中提取复杂特征，深度学习就是满足这个特点的机器学习算法。
深度学习的概念源于人工神经网络的研究，主要通过组合和抽取低层特征，形成更加抽象的高层表示属性类别或特征，以发现数据的分布特征表示。
2
感知机与神经网络
2.1 单层感知机
神经网络的概念源于生命科学中的神经系统。在生命科学中，神经元是动物脑神经系统中最基本的单元，数百亿的神经元相互连接，组成复杂的神经系统，用来完成学习、认知和体内对生理功能活动的调节。
图1-2 生物神经单元与感知机
如图1-2所示，神经细胞按照功能大致可分为树突、细胞体和轴突。按照对逻辑电路的理解，每个神经细胞可被视为一个只有兴奋或者抑制两种状态的器件，当某个神经元从其他神经细胞接收到的信号强度超过某个阈值时，细胞体就会兴奋，产生电脉冲并传递到其他神经元。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢