深度學(xué)習(xí)是什么意思？深度學(xué)習(xí)是近幾年來隨著信息社會發(fā)展、學(xué)習(xí)科學(xué)發(fā)展及課程改革向縱身推進而出現(xiàn)的一種新的學(xué)習(xí)樣態(tài)和形式。關(guān)于深度學(xué)習(xí)的概念解釋，目前有多種答案，不少專家學(xué)者都作出了本質(zhì)含義一致到表述略

深度學(xué)習(xí)是什么意思？

深度學(xué)習(xí)是近幾年來隨著信息社會發(fā)展、學(xué)習(xí)科學(xué)發(fā)展及課程改革向縱身推進而出現(xiàn)的一種新的學(xué)習(xí)樣態(tài)和形式。

關(guān)于深度學(xué)習(xí)的概念解釋，目前有多種答案，不少專家學(xué)者都作出了本質(zhì)含義一致到表述略有不同的解釋。

黎加厚教授認(rèn)為，深度學(xué)習(xí)是在理解的基礎(chǔ)上，學(xué)習(xí)者能夠批判地學(xué)習(xí)新思想和事實，并將它融入原有的認(rèn)知結(jié)構(gòu)中，能夠在眾多思想間進行聯(lián)系，并能夠?qū)⒁延兄R遷移到新的情境中，做出決策和解決問題的學(xué)習(xí)。

郭華教授認(rèn)為，深度學(xué)習(xí)是在教師的引領(lǐng)下，學(xué)生圍繞具有挑戰(zhàn)性的學(xué)習(xí)主題，全身心地積極參與、體驗成功、獲得發(fā)展的有意義的學(xué)習(xí)過程，并具有批判理解、有機整合、建構(gòu)反思與遷移應(yīng)用的特征。

深度學(xué)習(xí)具有幾個特質(zhì)。一是觸及人的心靈深處的學(xué)習(xí)。二是體驗式學(xué)習(xí)。三是深刻理解與實踐創(chuàng)新的學(xué)習(xí)。

深度學(xué)習(xí)是培養(yǎng)學(xué)生學(xué)科素養(yǎng)、創(chuàng)新能力，提高學(xué)生學(xué)習(xí)質(zhì)量效果、促進教學(xué)改革的新的學(xué)習(xí)型態(tài)，也是目前教學(xué)改革所追求的目標(biāo)與境界之一。

深度學(xué)習(xí)和普通的機器學(xué)習(xí)有什么區(qū)別？

放張圖可以看出關(guān)系。機器學(xué)習(xí)是人工智能的重要區(qū)域之一，深度學(xué)習(xí)是機器學(xué)習(xí)的分流之一。深度學(xué)習(xí)在前幾年迅速躥紅的原因是突破了一些傳統(tǒng)機器學(xué)習(xí)解決不了的問題。

機器學(xué)習(xí)的意義在于代替人力完成重復(fù)的工作，識別出統(tǒng)一的規(guī)律（模式）。但對于傳統(tǒng)的機器學(xué)習(xí)來說，特征的提取難度并不?。ㄌ卣骺梢允窍袼?、位置、方向等等）。特征的準(zhǔn)確度會很大程度決定大多數(shù)機器學(xué)習(xí)算法的性能，為了使特征準(zhǔn)確，將涉及到大量的人力投入特征工程的部分，來對特征進行調(diào)整改善。而這一系列工作的完成，是在數(shù)據(jù)集所含有的信息量足夠并且易于識別這一前提下的，如果這一前提沒有滿足，傳統(tǒng)機器學(xué)習(xí)算法會在雜亂的信息中喪失性能。深度學(xué)習(xí)的應(yīng)用便是基于這一問題產(chǎn)生的，它的深層神經(jīng)網(wǎng)絡(luò)讓它可以在雜亂中學(xué)習(xí)，自動發(fā)現(xiàn)任務(wù)所聯(lián)系的特征（可以把它看成自發(fā)地學(xué)習(xí)特征工程），提取高層次的特征，因而大大減少了任務(wù)中在特征工程部份所要耗費的時間。

另一明顯的不同之處是二者對數(shù)據(jù)集大小的偏好。傳統(tǒng)的機器學(xué)習(xí)在制定完善的規(guī)則下，在處理較小規(guī)模的數(shù)據(jù)時，會展示出很好的性能，深度學(xué)習(xí)反而表現(xiàn)不佳；隨著數(shù)據(jù)集的規(guī)模不斷變大，深度學(xué)習(xí)的性能才會逐漸展現(xiàn)出來，并且越來越優(yōu)良，對比可見下圖。

是否存在通用的神經(jīng)網(wǎng)絡(luò)模型，可以處理圖像，語音以及NLP？

對于目前的深度學(xué)習(xí)模型來說，盡管深度學(xué)習(xí)的一個目標(biāo)是設(shè)計能夠處理各種任務(wù)的算法，然而截至目前深度學(xué)習(xí)的應(yīng)用仍然需要一定程度的特化，還沒有通用的神經(jīng)網(wǎng)絡(luò)處理模型。不過各個模型也在互相借鑒，彼此融合，共同提高，象有些創(chuàng)新能同時改進卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，比如批標(biāo)準(zhǔn)化與注意力等。通用的模型還有待未來研究提出。

圖像和視頻處理，計算機視覺，目前最流行的是cnn，即卷積神經(jīng)網(wǎng)絡(luò)，及其變形和發(fā)展，cnn適合處理空間數(shù)據(jù)，在計算機視覺領(lǐng)域應(yīng)用廣泛。象陸續(xù)出現(xiàn)的ＡｌｅｘＮｅｔ，ＶＧＧＮｅｔ，ＧｏｏｇＬｅＮｅｔ，ＲｅｓＮｅｔ等都很有特色。以上幾種模型是圖像分類識別使用的。象圖像分割，目標(biāo)檢測等還有更多針對性模型提出和得到廣泛應(yīng)用。

語音處理，2012 年前，最先進的語音識別系統(tǒng)是隱馬爾可夫模型(HMM) 和高斯混合模型(GMM) 的結(jié)合。目前最流行的是深度學(xué)習(xí)的RNN循環(huán)神經(jīng)網(wǎng)絡(luò)，及其發(fā)展長短時記憶網(wǎng)絡(luò)LSTM，以及GRU，雙向RNN，分層RNN等。

自然語言處理，除了傳統(tǒng)方法，目前深度學(xué)習(xí)用于自然語言處理的模型經(jīng)歷了基于CNN的模型，基于RNN的模型，基于Attention機制的模型，基于Transformer的模型等幾個發(fā)展階段。NLP有很多模型和方法，不同的任務(wù)場景有不同的模型和策略來解決某些問題。