1、引子

深度神經(jīng)網(wǎng)絡(DNNs)最近在圖像分類或語音識別等復雜機器學習任務中表現(xiàn)出的優(yōu)異性能令人印象深刻。

在本文中，我們將了解深度神經(jīng)網(wǎng)絡的基礎(chǔ)知識和三個最流行神經(jīng)網(wǎng)絡：多層神經(jīng)網(wǎng)絡(MLP)，卷積神經(jīng)網(wǎng)絡(CNN)和遞歸神經(jīng)網(wǎng)絡(RNN)。

2、什么是深度神經(jīng)網(wǎng)絡

機器學習是一門多領(lǐng)域交叉學科，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑。如果論及哪一個機器學習的領(lǐng)域最為熱門，非人工智能莫屬，這就是深度學習。深度學習框架又名深度神經(jīng)網(wǎng)絡，一個復雜的模式識別系統(tǒng)，在過去的幾十年里，機器學習給我們的日常生活帶來了巨大的影響，包括高效的網(wǎng)絡搜索、自動駕駛系統(tǒng)、計算機視覺和光學字符識別。

深度神經(jīng)網(wǎng)絡模型已經(jīng)成為機器學習和人工智能的有力工具。深度神經(jīng)網(wǎng)絡(DNN)的輸入層和輸出層之間有多層的人工神經(jīng)網(wǎng)絡(ANN)。

深層神經(jīng)網(wǎng)絡的迅速發(fā)展應用致使語音識別錯誤率上較傳統(tǒng)語音識別方法錯誤率減少30%(20年來最大降幅),同時也大幅削減了圖像識別的錯誤率，自2011年以來深度學習圖像識別的錯誤率從26%到3.5%,而人類是5%。

3、深度神經(jīng)網(wǎng)絡的基本原理

深度神經(jīng)網(wǎng)絡模型最初是基于神經(jīng)生物學的啟發(fā)。生物神經(jīng)元通過與樹突的突觸接觸接收多個信號，并通過軸突發(fā)送單一的動作電位流。通過對輸入模式進行分類，可以降低多個輸入的復雜性。受這種輸入輸出方式的啟發(fā)，人工神經(jīng)網(wǎng)絡模型由組合多個輸入和單一的輸出單元組成。神經(jīng)網(wǎng)絡以模擬人類大腦的功能為目標，并基于一個簡單的人工神經(jīng)元:輸入信號的加權(quán)和的非線性函數(shù)(如max(0, value))。這些偽神經(jīng)元被聚合成層，一層的輸出成為序列中下一層的輸入。

4、深度神經(jīng)網(wǎng)絡的“深”

深度神經(jīng)網(wǎng)絡在神經(jīng)網(wǎng)絡中采用了深度結(jié)構(gòu)。“深”是指在層次數(shù)和單層單元數(shù)的深兼具較高復雜性的功能。云計算中的大型數(shù)據(jù)集可以通過使用額外的和更大的層來捕獲更高級數(shù)據(jù)模式來構(gòu)建更精確的模型。神經(jīng)網(wǎng)絡的兩個階段被稱為訓練(或?qū)W習)和推斷(或預測)，它們指的是發(fā)展和生產(chǎn)。開發(fā)人員選擇神經(jīng)網(wǎng)絡的層數(shù)和類型，訓練確定權(quán)值。

5、目前流行的深度神經(jīng)網(wǎng)絡有三種

5.1 多層感知器(MLP)

多層感知器(MLP)是一類前饋人工神經(jīng)網(wǎng)絡(ANN)。MLPs模型是最基本的深度神經(jīng)網(wǎng)絡，其將輸入的多個數(shù)據(jù)集映射到單一的輸出的數(shù)據(jù)集上，由一系列全連接層組成。每一層都是一組非線性函數(shù)，它們是前一層所有輸出(完全連通)的加權(quán)和。 功能函數(shù)：

5.2 卷積神經(jīng)網(wǎng)絡(CNN)

卷積神經(jīng)網(wǎng)絡(CNN，或ConvNet)是另一類深度神經(jīng)網(wǎng)絡。CNN最常用于計算機視覺。給定一系列來自現(xiàn)實世界的圖像或視頻，AI系統(tǒng)利用CNN學習自動提取這些輸入的特征來完成特定的任務，如圖像分類、人臉認證、圖像語義分割等。

與MLP中的完全連接層不同，在CNN模型中，一個或多個卷積層通過執(zhí)行卷積操作從輸入中提取簡單特征。每一層都是一組非線性函數(shù)，這些函數(shù)的加權(quán)和位于前一層輸出的空間附近子集的不同坐標上，允許權(quán)重被重用。

應用各種卷積濾波器，CNN模型可以高水平準確地捕獲輸入數(shù)據(jù)，使其成為最受歡迎的計算機視覺應用技術(shù)，如圖像分類(例如，AlexNet, VGG網(wǎng)絡，ResNet, MobileNet)和目標檢測(例如，F(xiàn)ast R-CNN, Mask R-CNN, YOLO, SSD)。 AlexNet。在圖像分類方面，作為2012年第一個贏得ImageNet挑戰(zhàn)賽的CNN, AlexNet由5個卷積層和3個全連接層組成。AlexNet需要6100萬個權(quán)重和7.24億個mac(乘法加法計算)來對大小為227×227的圖像進行分類。

VGG-16。為了達到更高的精度，vg -16被訓練為一個更深層次的16層結(jié)構(gòu)，由13個卷積層和3個全連通層組成，需要1.38億權(quán)值和15.5G mac對大小為224×224的圖像進行分類。

GoogleNet。為了提高準確性，同時減少DNN推理的計算，GoogleNet引入了一個由不同大小的過濾器組成的初始模塊。google et比vg -16具有更好的精度性能，而處理相同大小的圖像只需要700萬權(quán)重和1.43G mac。

ResNet。最新的研究成果ResNet使用了“快捷”結(jié)構(gòu)，達到了人類平均水平的準確率，前5名的錯誤率低于5%。“捷徑”模塊用于解決訓練過程中的梯度消失問題，使訓練具有更深結(jié)構(gòu)的DNN模型成為可能。

近年來CNN的準確率和性能逐漸提高，應用于人們?nèi)斯ぶ悄芤曈X任務的，超過了人類視覺的平均水平錯誤率低于5%。

5.3遞歸神經(jīng)網(wǎng)絡（RNN）遞歸神經(jīng)網(wǎng)絡(RNN)是另一類使用順序數(shù)據(jù)輸入的人工神經(jīng)網(wǎng)絡。RNN是用來解決序列輸入數(shù)據(jù)的時間序列問題的。 RNN的輸入由當前輸入和之前的樣本組成。因此，節(jié)點之間的連接沿時間序列形成有向圖。RNN中的每個神經(jīng)元都有一個內(nèi)部存儲器，它保存著來自前一個樣本的計算信息。

RNN模型在處理輸入長度不固定的數(shù)據(jù)方面具有優(yōu)勢，因此在自然語言處理中得到了廣泛的應用。人工智能的任務是建立一個能夠理解人類說的自然語言的系統(tǒng)，例如自然語言建模、單詞嵌入和機器翻譯。

在RNN中，每一層都是輸出和前一層狀態(tài)的加權(quán)和的非線性函數(shù)集合。RNN的基本單元稱為“Cell”，每個Cell層由一系列的Cell組成，層層傳遞處理使RNN模型能夠進行順序處理。

6、深度神經(jīng)網(wǎng)絡應用

深度學習現(xiàn)在已經(jīng)應用到生活各領(lǐng)域：

1.深度學習應用在音視頻的識別上，幾乎所有的商用語音識別都是深度學習來完成的，如自然語言理解方面，主要是使用一種叫做LSTM的深度學習方法。

2.深度學習應用于圖像識別，目前識別準確率已經(jīng)超越人類，深度學習成了圖像識別的標配。其中圖像識別中，應用最廣的是人臉識別。

總之深度神經(jīng)網(wǎng)絡已經(jīng)深入便捷了人們生活，各類自動駕駛車輛，各種類型的人工智能機器人，智能回答，智能翻譯，天氣預報，股票預測，人臉比對，聲紋比對，等其他許多有趣的應用，比如智能插畫，自動作詩，自動寫作文，等都可以通過深度學習來完成深度神經(jīng)網(wǎng)絡。

審核編輯 ：李倩