1、2017.8.24 更新計算機神經網絡和人腦的區別先把這拆解成兩個詞，“深度”和“學習”，逐一說明。“學習”是從小就接觸的詞，每天聽著好好學習，天天向上的教誨。小時候的學習就是上課，做題，最終通過驗證了學習的效果。抽象的說，學習就是認知的過程，從未知到已知的探索和思考。比如從最早的學+1=2，想想是怎么學習的?伸出一只手指，再伸出一只手指，數一數，兩只手指那就是 2。這里提前再定義一個概念，輸入和輸出，輸入就是已知的信息，輸出就是最終獲得的認知的結果。這里的 1 和加號+，就是輸入，而得到的計算結果 2 就是輸出。所以，任何的從已經有的信息，無論是通過計算，判斷，推理而后得到一個認知的過程都可

2、以稱為“學習”。那么為什么有的人學習能力好，成績高，但有的人成績就沒那么好呢。這經常的被解釋為學習方法，思考過程，經驗不同而導致的差異，可以歸為“學習策略”，好的學習策略會更快更準確的得到認知的結果，而不好的學習策略可能會花費的時間或者錯誤的結論。現實世界中很多都可以歸為分類或者識別或者選擇，比如下圍棋，下一步的棋子落在什么地方，就是此類問題。而研究此類問題，學術界研究出來一種叫做“神經網絡”的學習策略。這個詞聽起來，就知道和人腦有著一些關系。在人腦中負責活動的基本單元是“神經元”，它以細胞體為主體，由許多向周圍延伸的不規則樹枝狀的神經細胞，把神經元的結構想象成一棵枯樹的枝干就可以了。人腦中含

3、有上百億個神經元，而這些神經元互相連接成一個更龐大的結構，就稱為“神經網絡”。學術界試圖模仿人腦的“神經網絡“建立一個類似的學習策略，也取名為”神經網絡“。下圖就是一個神經網絡的大致結構作者：大胡子 uncle：htt來源：知乎著作權歸作者所有。商業/question/24097648/answer/219167997請聯系作者獲得，非商業請注明出處。從 x1,x2,x3 輸入到輸出的過程，這里又定義了一個層次的概念，譬如上圖就包括四層，包含最左邊的輸入層，和最右邊的輸出層，如果這是一道選擇題的話，那么題目就是輸入層，而 ABCD 的選擇結果就是輸出層，如上圖的 L1 和 L2 分別是輸入層和

4、輸出層。而選擇題解題的過程是不寫出來的，叫做”隱藏層“，這里L2 和 L3 就是隱藏層，題目越難，給出的信息可能是越多的，而解題所需要的過復雜的，也就可能需要的”隱藏層“來計算最終的結果。但是由于到目前，還無法知道人腦工作的復雜性，所以這兩個神經網絡也只能是形似而已。第一，人腦神經網絡的一個神經元會動態隨機的同其他的神經元建立聯系，這種隨機性建立的神經元的連接可能也就是為什么有的時候可以想起來一個事情，但有的是有又會忘記某件事情，當然很有可能在某個時刻，你又不經意的想起了它。其次，人腦神經網絡和計算機神經網絡的不同在于，人腦可以解決通用性和跨領域，而計算機神經網絡只能解專門，所以哪怕狗在圍棋界

5、孤誰更漂亮。獨求敗戰勝了所有，但他也不能識別出站在他面前的兩個第三，計算機的神經網絡需要大量的數據才能訓練出一個基本的技能，而人類的思維具有高度的抽象。所以計算機看成千上萬只貓的而哪怕是一個小孩看兩三次貓，就有同樣的本領。才能識別出貓，最終要來解釋深度學習的”深度“了，就是從”輸入層“到”輸出層“所經歷層次的數目，即”隱藏層“的層數，層數越多，板凳的深度也越深。所以越是復雜的選擇問題，越需要深度的層次多。當然，除了層數多外，每層”神經元“，也就是如上圖，橙色小圓圈的數目也要多。例如，AlphaGo 的策略網絡是 13 層。每一層的神經元數量為 192 個。總結一句話，深度學習就是用多層次的分析

6、和計算，得到結果的法。深度學習的實質，就是通過構建機器學習模型和海量訓練數據，來逐層變換特征，以分類或的準確性，深度學習屬于機器學習研究領域的一個新的分支，是一個復雜的機器學習算法。其研究的目的在于建立、模擬人腦的神經網絡，并模仿人腦的機制來解釋如圖像、聲音和文本之類的數據。深度學習引領著”大數據+深度模型“時代的來臨，推動著人工智能和人機交互向前快速發展，深度學習，包括多層的人工神經網絡和訓練它的方法兩個方面，可以先了解一下，深度學習大熱以后各種模型層出不窮，主流的深度學習模型有哪些？ - 人工智能 多智時代深度學習的實質，就是通過構建機器學習模型和海量訓練數據，來逐層變換特征，以分類或的準確性，深度學習屬于機器學習研究領域的一個新的分支，是一個復雜的機器學習算法。其研究的目的在于建立、模擬人腦的神經網絡，并模仿人腦的機制來解釋如圖像、聲音和文本之類的數據。深度學習引領著”大數據+深度模型“時代的