1.4.2　深度学习独领风骚

机器学习有很多经典算法，其中有一个是“神经网络”（Neural Network，NN）算法。神经网络最初是一个生物学的概念，一般是指由大脑神经元、触点、细胞等组成的网络，用于产生意识，帮助生物思考和行动，后来人工智能受神经网络的启发，发展出了人工神经网络（Artificial Neural Network，ANN）。“人工神经网络”是指由计算机模拟的“神经元”（Neuron）一层一层组成的系统。这些“神经元”与人类大脑中的神经元相似，通过加权连接相互影响，并通过改变连接上的权重来改变神经网络执行的计算。

最初的神经网络是感知器（Perceptron）模型，可以认为是单层神经网络，但由于感知器算法无法处理多分类问题和线性不可分问题，当时计算能力也落后，因而对神经网络的研究沉寂了一段时间。2006年，Geoffrey Hinton在《科学》（Science）学术期刊上发表了一篇文章，不仅解决了神经网络在计算上的难度，同时也说明了深度神经网络（Deep Neural Network，DNN）在学习上的优异性。深度神经网络的“深度”指的都是这个神经网络的复杂度，神经网络的层数越多就越复杂，它所具备的学习能力也就越强。此后神经网络重新成为机器学习中主流的学习技术，基于深度神经网络的机器学习则被称为深度学习。

如图1-1所示，神经网络与深度神经网络的区别在于隐藏层级。神经网络一般有输入层→隐藏层→输出层，一般来说隐藏层大于2的神经网络就叫作深度神经网络。深度学习的实质就是通过构建具有很多隐藏层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。

有“计算机界诺贝尔奖”之称的ACMAM图灵奖（ACM A.M. Turing Award）公布2018年的获奖者是引起这次人工智能革命的三位深度学习之父——蒙特利尔大学教授Yoshua Bengio、多伦多大学名誉教授Geoffrey Hinton、纽约大学教授Yann LeCun，他们使深度神经网络成为人工智能的关键技术。ACM这样介绍他们三人的成就：Hinton、LeCun和Bengio三人为深度神经网络这一领域建立起了概念基础，通过实验揭示了神奇的现象，还贡献了足以展示深度神经网络实际进步的工程进展。

Google的AlphaGo（阿尔法狗）与李世石九段进行了惊天动地的大战，AlphaGo最终以绝对优势完胜李世石九段，击败棋圣李世石的AlphaGo所用到的算法，实际上就是基于神经网络的深度学习算法。人工智能、机器学习、深度学习成为这几年计算机行业、互联网行业最火的技术名词。