深度学习突破优化人工智能算法

您当前位置：首页 > 行业分析 > IT通讯 > 　正文

来源：中为咨询www.zwzyzx.com 【日期：2016-11-22 15:37:47】【打印】【关闭】

相关报告

本次人工智能突破的核心技术是机器学习算法的突破，机器学习发展的三要素是：计算、算法和数据。近来人工智能取得极大突破的重要原因之一便是以深度学习算法为代表的核心算法改良应用。深度学习也叫深层神经网络，从以前的人工神经网络模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的‚深度‛便指的是图模型的层数以及每一层的节点数量，与之前的神经网络而言，有了很大程度的提升。

真实神经元和人工神经元

传统神经网络和深度神经网络

在深度学习出现之前，机器学习领域的主流是各种浅层学习算法，如神经网络的反向传播算法（BP算法）、支撑向量机（SVM）、Boosting、最大熵方法（LR，LogisticRegression）等。这些算法的结构基本上可以认为带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。

在2006年，多伦多大学机器学习领域的泰斗GeoffreyHinton教授和他的学生RuslanSalakhutdinov对浅层人工神经网络进行了一次关键改良，并将它命名为‚深度学习‛。其主要观点是：

多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。

深度神经网络在训练上的难度，可以通过‚逐层初始化‛来有效克服，该算法突破了人工智能领域的关键技术障碍。

相比浅层学习，深度学习强调了模型结构的深度，通常有5-10多层的隐层节点；明确突出了特征学习的重要性，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。

深度学习算法与浅层学习算法的区别

深度学习的本质是通过构建具有很多隐层的机器学习模型和海量的数据，来学习更有用的特征，从而最终实现分类或预测的准确性。

深度学习过程

深度学习算法能优化每一层的结果，从而使学习速度加快。2006年后，深度学习算法被移植到GPU上，速度提升巨大。它是目前所有AI必不可少的组成部分，包括IBM的Watson、Google的搜索引擎以及Facebook的算法。

Google大量使用深度学习算法

在短短几年里，研究报告深度学习颠覆了语音识别、图像分类、文本理解等众多领域的算法设计思路，渐渐形成了一种从训练数据出发，经过一个端到端的模型，然后直接输出得到最终结果的一种模式。它的应用极大提高了机器学习的能力，促使在计算机视觉和语音识别等各领域实现突破，使识别结果更加准确。如在计算机视觉领域，在ImageNet比赛中（对100万张分辨率300×300左右，有1000个类别的图片进行识别），通过深度学习，图像识别准确率得到了极大的提高；通过采用深度神经网络技术，微软大大提升了语音识别的准确率，错误率降低至18.5%，准确率比传统技术提升了33%。这让流利的语音程序变得更加现实。

深度学习提高ImageNet图像识别准确率