TensorFlow深度學習架構學習（一）：深度學習概念以及應用

最近開始學習比較火的深度學習架構：TensorFlow，主要原因是看豬場招聘需要熟練TensorFlow架構（有點急功近利，嘿嘿），于是開始提前做準備。以下是讀《TensorFlow：實戰Google深度學習架構》的總結

• • • 1人工智能機器學習深度學習三個概念的區分
    • 2深度學習的應用
    • 3深度學習工具TensorFlow的主要功能和特點

1、人工智能、機器學習、深度學習三個概念的區分

首先，想了解深度學習架構先要區分人工智能、機器學習、深度學習這三個概念：

1.1 人工智能的概念

人工智能主要是一類非常廣泛的問題，它主要解決一些人類通過直覺可以很快解決而計算機目前卻很難解決的問題，這些問題包括自然語言了解、圖像識别、語音識别等等。

1.2 機器學習的概念

卡内基梅隆大學的Tom Michael Mitchell教授在1997年出版的書籍Machine Learning 中對機器學習進行過非常專業的定義，這個定義在學術界内被多次引用。具體定義為：“如果一個程式可以在任務T上，随着經驗E的增加，效果P也可以随之增加，則稱這個程式可以從經驗中學習”

舉例說明，比如在垃圾郵件分類問題中，“一個程式”指的是需要用到的機器學習算法，比如邏輯回歸算法：“任務T”是指區分垃圾郵件的任務；“經驗E”為已經區分過是否為垃圾郵件的曆史郵件，在監督式機器學習問題中，這也被稱之為訓練資料；“效果P”為區分垃圾郵件任務的正确率

1.3 深度學習的概念

深度學習是機器學習的一個分支。深度學習解決的核心問題之一就是自動地将簡單的特征組合成更加複雜的特征，并使用這些組合特征解決問題。深度學習除了可以從簡單特征中提取更加複雜的特征，還可以學習特征和任務之間的關聯。下圖展示了深度學習和傳統機器學習在流程上的差異。

形象的來說的話，就是人工智能的範圍>機器學習>深度學習

2、深度學習的應用

深度學習最早興起于圖像識别，但是在短短幾年時間内，深度學習推廣到了機器學習的各個領域。

2.1 計算機視覺

計算機視覺是深度學習技術最早實作突破性成就的領域。最早是應用在圖像分類比賽ILSVRC（ImageNet Large Scale Visual Recognition Challenge），深度學習AlexNet赢得ILSVRC的冠軍。

之後應用于物體識别，人臉識别，光學字元識别等。

2.2 語音識别

深度學習之是以能在語音識别領域中完成這樣的技術突破，最主要的原因是它可以自動地從海量資料中提取更加複雜且有效

的特征，而不是如高斯混合模型中需要人工提取特征。

基于深度學習的語音識别已被應用到了各個領域，如：蘋果公司推出的Siri系統。

2.3 自然語言處理

深度學習已經在語言模型、機器翻譯、詞性标注、實體識别、情感分析、廣告推薦以及搜尋排序等方向上取得了突出成就。

2.4 人機博弈

比如：AlphaGo以總分比4：1戰勝了南韓棋手李世石。然後，AlphaGo的開發團隊DeepMind又打算和暴雪公司合作推出星際争霸2的人工智能系統。

3、深度學習工具TensorFlow的主要功能和特點

TensorFlow是谷歌于2015年11月9日正式開源的計算架構。TensorFlow計算架構可以很好地支援深度學習的各種算法。

關于TensorFlow平台本身的技術細節可以參考谷歌的論文TensorFlow：Large-Scale Machine Learning on Heterogeneous Distributed Systems.