文/王菲斐

1　深度学习的基本原理

深度学习的基本原理是通过神经网络结构进行低维到高维的映射，从而能够对数据的特征进行提取，最后能够得到数据的特征表示。以图像分类为例，深度学习下的卷积神经网络能够先提取图像的低维度特征（比如水平线、垂直线、斜线等），然后将这些特征组合，从而形成更加抽象的高维特征，最后可以得到对样本数据的分层特征表示。深度学习与其他算法一起工作，可以帮助我们进行分类，聚类和预测。当深度学习算法训练时，将对数据进行特征提取，测量他们对训练集猜测的错误，然后纠正他们猜测的方式，以便能够更加精确，这就是优化算法。也就是说，人类可以感知的任何东西，以及我们的技术可以数字化的东西，使用深度学习都可以分析世界上发生的事情。通过深度学习，我们基本上可以通过软件来准确地解释我们周围发生的事情，从而使社会有更聪明的行为能力，这就是深度学习在人工智能下的成功案例。

2　深度学习研究现状

由于深度学习具有强大的学习能力，它已经成功地应用于多种模式分类问题，并且相比于经典的机器学习方法，深度学习在识别精度以及识别效率上有很明显的提升。 虽然这一领域尚处于起步阶段，但深度学习的发展对人工智能和机器学习领域无疑会产生广泛和深远的影响。但是它仍存在某些不适合处理的特殊任务，譬如医学图像分析，常见的肿瘤、皮肤病以及癌症等图片，由于各种原因造成的识别精度不高，是影响深度学习在该领域应用主要原因；……