深度學(xué)習(xí)是什么意思？近年來，隨著信息社會、學(xué)習(xí)科學(xué)和課程改革的發(fā)展，深度學(xué)習(xí)是一種新的學(xué)習(xí)形式。目前，對深度學(xué)習(xí)的概念有很多答案，很多專家學(xué)者的解釋是本質(zhì)意義一致的表述略有不同。李嘉厚教授認(rèn)為，深度學(xué)

深度學(xué)習(xí)是什么意思？

近年來，隨著信息社會、學(xué)習(xí)科學(xué)和課程改革的發(fā)展，深度學(xué)習(xí)是一種新的學(xué)習(xí)形式。

目前，對深度學(xué)習(xí)的概念有很多答案，很多專家學(xué)者的解釋是本質(zhì)意義一致的表述略有不同。

李嘉厚教授認(rèn)為，深度學(xué)習(xí)是建立在理解的基礎(chǔ)上的。學(xué)習(xí)者可以批判性地學(xué)習(xí)新的想法和事實，將它們?nèi)谌朐械恼J(rèn)知結(jié)構(gòu)，將許多想法聯(lián)系起來，并將現(xiàn)有的知識轉(zhuǎn)移到新的情境中，從而做出決策和解決問題。

郭華教授認(rèn)為，深度學(xué)習(xí)是在教師指導(dǎo)下的一個有意義的學(xué)習(xí)過程，學(xué)生圍繞挑戰(zhàn)性的學(xué)習(xí)主題，全心投入，體驗成功，獲得發(fā)展。它具有批判性理解、有機整合、建設(shè)性反思和遷移應(yīng)用的特點。

深度學(xué)習(xí)有幾個特點。一是觸動人心的學(xué)習(xí)。第二，體驗式學(xué)習(xí)。三是深入認(rèn)識和實踐創(chuàng)新的研究。

深度神經(jīng)網(wǎng)絡(luò)（DNN）是否模擬了人類大腦皮層結(jié)構(gòu)？

同時，一些特定的深層神經(jīng)網(wǎng)絡(luò)模型在一定程度上類似于人類大腦皮層的結(jié)構(gòu)。

例如，2017年10月，美國普渡大學(xué)綜合腦成像實驗室的劉忠明在大腦皮層發(fā)表了《基于動態(tài)自然視覺深度學(xué)習(xí)的神經(jīng)編解碼》，基于深度神經(jīng)網(wǎng)絡(luò)模型對動態(tài)視覺進行編解碼。這項工作基于972個視頻片段和11.5小時的功能磁共振數(shù)據(jù)，通過深度神經(jīng)網(wǎng)絡(luò)（fMRI）編碼和解碼，磁共振成像技術(shù)檢測由于氧合血紅蛋白和脫氧血紅蛋白比率的變化而引起的血液磁化率的差異，并判斷相應(yīng)的腦區(qū)處于活動或靜止?fàn)顟B(tài)），并用深層神經(jīng)網(wǎng)絡(luò)來解釋動態(tài)視覺與腦激活的關(guān)系以及二者之間的關(guān)系。在以往的研究中，深度神經(jīng)網(wǎng)絡(luò)主要用來解釋靜態(tài)視覺和大腦激活之間的關(guān)系。目前尚不清楚深度神經(jīng)網(wǎng)絡(luò)是否可以用來解釋動態(tài)視覺和大腦激活之間的關(guān)系。具體來說，CNN模型的中間層負責(zé)處理抽象的視覺信息，與人類視覺皮層的層次結(jié)構(gòu)非常相似。

最終效果非常好。在編碼方面，它取決于ROI（感興趣區(qū)域）。在相同的ROI范圍內(nèi)，平均精度可達0.4～0.6，跨ROI的精度為0.25～0.3。

此答案中使用的圖片均取自原稿。

阿里巴巴和華為都自研了ai芯片，誰的比較厲害？

阿里的漢光800和華為的勝騰910屬于人工智能芯片，但它們的應(yīng)用領(lǐng)域截然不同。漢光800是一款更側(cè)重于特殊領(lǐng)域的產(chǎn)品，而神騰910則相對通用，可以用于AI學(xué)習(xí)和訓(xùn)練。兩者在適用范圍和設(shè)計目標(biāo)上有很大差異。如今，人工智能計算剛剛興起。無論是阿里巴巴還是華為，各個廠商的AI芯片都沒有統(tǒng)一的標(biāo)準(zhǔn)，突破多在具體的落地領(lǐng)域，可比性不強，實際效果與使用場景密切相關(guān)，不可能直接比較誰比誰好。

不過，阿里巴巴和華為兩款A(yù)I芯片的愿景是相似的。這兩種芯片短期內(nèi)不會對外銷售。它們只會大規(guī)模部署在自己的云服務(wù)和相應(yīng)的產(chǎn)品中。開發(fā)者只需要為計算能力付費。未來，云服務(wù)將成為IT行業(yè)的水、電、煤。誰能把電線拉到谷開來，誰的家電上網(wǎng)價格最便宜，誰就能得到最大的市場。

如果我們真的想拿出一些數(shù)據(jù)進行對比，那么漢光800芯片在resnet-50中的推理性能可以達到78563ips，這是一個世界紀(jì)錄的性能，有著“世界上性能最高的人工智能推理芯片”的光環(huán)；華為勝騰910是一個通用的人工智能處理器，半精度（fp16）計算能力為256TFlops，是行業(yè)的兩倍；推理能力的崛起，int8計算能力16個頂點，功耗僅8W，處于行業(yè)領(lǐng)先地位。

神經(jīng)網(wǎng)絡(luò)啥時候改名叫“深度學(xué)習(xí)”了？

這是同根，何必太著急。

深度學(xué)習(xí)可以理解為使用深度神經(jīng)網(wǎng)絡(luò)（DNN）的機器學(xué)習(xí)。從這個定義可以看出它們之間的關(guān)系。

深度神經(jīng)網(wǎng)絡(luò)（DNN）一般分為三種結(jié)構(gòu)

簡單的DNN：一般的神經(jīng)網(wǎng)絡(luò)擴展到多層，有很多缺點，包括訓(xùn)練速度慢，使用BackProp訓(xùn)練梯度衰減嚴(yán)重；

深度信念網(wǎng)絡(luò)（DBN）：基于RBN（受限玻爾茲曼）卷積深度信念網(wǎng)絡(luò)（cdbn）：比DBN訓(xùn)練更快，適用于非常大的圖像或語音識別。

困難之一是訓(xùn)練速度。另一個是需要大量的計算能力。成本很高。例如，谷歌的alphago使用1202個cpu和176個gpu。普通人和公司負擔(dān)不起如此強大的計算能力。

深度學(xué)習(xí)的預(yù)測模型有哪些？

深度學(xué)習(xí)模型很常見：卷積神經(jīng)網(wǎng)絡(luò)CNN、堆疊式自動編碼器SAE、遞歸神經(jīng)網(wǎng)絡(luò)DNN、生成對抗網(wǎng)絡(luò)Gan、深度信念網(wǎng)絡(luò)DBN、深度神經(jīng)網(wǎng)絡(luò)DNN、深度強化學(xué)習(xí)DRL以及模型的許多變體。

深度學(xué)習(xí)中沒有預(yù)測模型，只是那些模型是一個預(yù)測問題。GDP預(yù)測是一個連續(xù)的問題。我覺得CNN、DBN和DNN不合適。如果數(shù)據(jù)量有限，參考互聯(lián)網(wǎng)金融，我覺得遷移學(xué)習(xí)深度學(xué)習(xí)模式是一個不錯的選擇。個人觀點，僅供參考，更多官方賬號可關(guān)注個人微信公眾號“深度學(xué)習(xí)與NLP”。