第一章 什么是深度學(xué)習(xí)狭握？
本章涉及的知識(shí)點(diǎn)：
基本概念的高層次（High-level）定義
機(jī)器學(xué)習(xí)的發(fā)展歷程
深度學(xué)習(xí)興起背后的關(guān)鍵因素以及未來的展望
過去幾十年，人工智能（artificial intelligence狗超，AI）一直是媒體強(qiáng)烈炒作的主題。機(jī)器學(xué)習(xí)朴下、深度學(xué)習(xí)和人工智能也經(jīng)常出現(xiàn)在無(wú)數(shù)非技術(shù)刊物上努咐。人們構(gòu)想將來智能聊天機(jī)器人、自動(dòng)駕駛汽車和虛擬助理的工作生活的畫面——在昏暗的燈光下殴胧，人類的工作很少渗稍，而大部分經(jīng)濟(jì)活動(dòng)都有機(jī)器人或者AI智能實(shí)體。對(duì)于當(dāng)前或者未來機(jī)器學(xué)習(xí)的從業(yè)者來講团滥，需要從吹捧過度的新聞中意識(shí)到改變世界的新產(chǎn)品竿屹。你們的將來將承擔(dān)重要的任務(wù)：讀完本書后，你將會(huì)成為開發(fā)AI智能實(shí)體的開發(fā)者灸姊。接著解決這幾個(gè)問題：目前深度學(xué)習(xí)能實(shí)現(xiàn)什么拱燃？深度學(xué)習(xí)的意義如何？人類下一步該如何做力惯？你相信關(guān)于人工智能的宣傳嗎碗誉？
本章介紹人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)知識(shí)夯膀。
1.1 人工智能诗充、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)
首先苍蔬，當(dāng)人們討論AI時(shí)要清楚談?wù)摰氖鞘裁从战ǎ渴裁词侨斯ぶ悄堋C(jī)器學(xué)習(xí)和深度學(xué)習(xí)（見圖1.1）碟绑？它們之間又有什么關(guān)系呢俺猿？
圖1.1 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)
1.1.1 人工智能
人工智能誕生于1950年代格仲，當(dāng)時(shí)少數(shù)計(jì)算機(jī)科學(xué)的先行者開始探討計(jì)算機(jī)是否能夠像人類一樣“思考”——這個(gè)問題到現(xiàn)在還在探索押袍。其簡(jiǎn)明的定義如下：像人類一樣自動(dòng)化完成智力任務(wù)。比如凯肋，AI通常認(rèn)為包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的領(lǐng)域谊惭，但是也包含許多非學(xué)習(xí)的方法。例如，早期的棋類程序只涉及程序設(shè)定的硬編碼規(guī)則圈盔，沒用到機(jī)器學(xué)習(xí)豹芯。在相當(dāng)長(zhǎng)一段時(shí)期內(nèi)，許多專家相信：程序處理足夠大的基于知識(shí)的顯式規(guī)則集合能達(dá)到人類水平的智能驱敲。這種方法稱之為符號(hào)型AI（symbolic AI）铁蹈，它是1950年代到1980年代主流的AI，并在1980年代專家系統(tǒng)方面快速達(dá)到巔峰众眨。
雖然符號(hào)型AI能解決定義明確的握牧、邏輯性的問題，比如棋類問題娩梨，但是卻不能解決更復(fù)雜沿腰、模糊類的問題，比如姚建，圖像分類矫俺、語(yǔ)音識(shí)別和語(yǔ)言翻譯。隨之而來的是機(jī)器學(xué)習(xí)這種新方法取代了符號(hào)型AI掸冤。
1.1.2 機(jī)器學(xué)習(xí)
在英國(guó)維多利亞時(shí)代厘托，埃達(dá)·洛夫萊斯伯爵夫人（Ada Lovelace）是查爾斯·巴貝奇（Charles Babbage）的好友和合作者。巴貝奇是分析機(jī)（Analytical Engine）的發(fā)明者稿湿。該分析機(jī)是公認(rèn)的第一個(gè)機(jī)械式通用電腦铅匹。雖然預(yù)言性的遠(yuǎn)見超越了當(dāng)時(shí)的時(shí)代，但是饺藤，在1830年代到1840年代設(shè)計(jì)的分析機(jī)并不是真正意義上的通用電腦包斑。因?yàn)橥ㄓ糜?jì)算機(jī)的概念那時(shí)尚未出現(xiàn)，它僅僅是一種自動(dòng)的數(shù)學(xué)計(jì)算分析涕俗，因此命名為分析機(jī)罗丰。在1843年，埃達(dá)注記分析機(jī)再姑，“分析機(jī)談不上能創(chuàng)造什么東西萌抵。但是能做我們命令它做的任何工作…...它的職責(zé)是幫助我們?nèi)?shí)現(xiàn)已知的事情≡疲”
在1950年绍填，AI先行者阿蘭·圖靈（Alan Turing）在他的著作《計(jì)算機(jī)器和智能》中引用這個(gè)注記作為“洛夫萊斯伯爵夫人的異議”，并提出圖靈測(cè)試（Turing test）的概念栖疑。圖靈思考通用計(jì)算機(jī)是否有學(xué)習(xí)和創(chuàng)造的能力讨永，并得出下面的結(jié)論：
機(jī)器學(xué)習(xí)起因于以下問題：對(duì)于計(jì)算機(jī)來說懒熙，除“我們命令它做的任務(wù)”之外漓糙，它能自我學(xué)習(xí)完成特定任務(wù)嗎？計(jì)算機(jī)能做的工作會(huì)讓我們感到意外嗎竞端？除了程序員人為制定規(guī)則的數(shù)據(jù)處理外，計(jì)算機(jī)從數(shù)據(jù)中能自我學(xué)習(xí)出規(guī)則嗎锻霎？
上述問題打開了新編程范式的大門插佛。在經(jīng)典編程中，即符號(hào)型AI范式量窘，人們輸入規(guī)則（即為程序）和數(shù)據(jù)雇寇，根據(jù)這些規(guī)則處理數(shù)據(jù)，輸出答案（見圖1.2）蚌铜；在機(jī)器學(xué)習(xí)中锨侯，人們輸入數(shù)據(jù)和該數(shù)據(jù)對(duì)應(yīng)的答案，輸出的是程序規(guī)則冬殃。這些學(xué)習(xí)來的規(guī)則能應(yīng)用到新的數(shù)據(jù)上囚痴，并產(chǎn)生原創(chuàng)性的答案。
圖1.2 機(jī)器學(xué)習(xí)：新的編程范式
機(jī)器學(xué)習(xí)系統(tǒng)是訓(xùn)練得到的审葬，而不是用顯式的編制深滚。給機(jī)器學(xué)習(xí)一個(gè)任務(wù)相關(guān)的許多例子，它能發(fā)現(xiàn)這些例子的統(tǒng)計(jì)性的結(jié)構(gòu)涣觉，并形成規(guī)則自動(dòng)完成任務(wù)痴荐。例如，如果想給假期照片自動(dòng)化打標(biāo)簽官册，你需要提出一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)生兆，輸入許多打好標(biāo)簽的照片，該系統(tǒng)學(xué)習(xí)統(tǒng)計(jì)性規(guī)則并為指定的照片打標(biāo)簽膝宁。
雖然機(jī)器學(xué)習(xí)在1990年代才開始繁榮鸦难，但是由于硬件性能和數(shù)據(jù)大小的提升，機(jī)器學(xué)習(xí)很快變得非常流行员淫，并成為AI最成功的子領(lǐng)域合蔽。機(jī)器學(xué)習(xí)與數(shù)學(xué)統(tǒng)計(jì)緊密相關(guān)，但是它在許多方面又有別于統(tǒng)計(jì)學(xué)介返。不像統(tǒng)計(jì)學(xué)拴事，機(jī)器學(xué)習(xí)試圖處理海量、復(fù)雜的數(shù)據(jù)集（比如映皆，數(shù)百萬(wàn)張圖片挤聘，包含數(shù)以萬(wàn)計(jì)的像素）轰枝，然而經(jīng)典統(tǒng)計(jì)分析（比如貝葉斯分析）將對(duì)此無(wú)能為力捅彻。因此，機(jī)器學(xué)習(xí)鞍陨，特別是深度學(xué)習(xí)步淹，展現(xiàn)相對(duì)較少的數(shù)學(xué)理論从隆，更多的是工程化導(dǎo)向。
1.1.3 數(shù)據(jù)的特征學(xué)習(xí)
為了定義深度學(xué)習(xí)缭裆，以及理解深度學(xué)習(xí)和其它機(jī)器學(xué)習(xí)方法的不同键闺，首先，需要知道機(jī)器學(xué)習(xí)算法在做什么澈驼。這里僅僅講述機(jī)器學(xué)習(xí)在給定期望的數(shù)據(jù)例子下發(fā)現(xiàn)規(guī)則辛燥，執(zhí)行數(shù)據(jù)處理的任務(wù)。所以為了實(shí)現(xiàn)機(jī)器學(xué)習(xí)缝其，需要知道下面三件事：
輸入數(shù)據(jù)點(diǎn)（Input data points）：例如挎塌，如果是語(yǔ)音識(shí)別的任務(wù)，這些數(shù)據(jù)點(diǎn)應(yīng)該是語(yǔ)音文件内边。如果是圖標(biāo)標(biāo)注的任務(wù)榴都，數(shù)據(jù)點(diǎn)應(yīng)該是圖片；
期望的輸出樣例（Examples of the expected output）：語(yǔ)音識(shí)別的任務(wù)中漠其，期望的輸出樣例是語(yǔ)音的手寫文本嘴高；圖像標(biāo)注的任務(wù)中，期望的輸出樣例是“狗”和屎，“貓”等等的標(biāo)簽拴驮；
算法的評(píng)估標(biāo)準(zhǔn)：算法的評(píng)估標(biāo)準(zhǔn)是為了判斷當(dāng)前算法的輸出值與期望的輸出值之間的距離。評(píng)估標(biāo)準(zhǔn)可以反饋調(diào)節(jié)算法的工作柴信，這個(gè)調(diào)節(jié)的步驟經(jīng)常成為學(xué)習(xí)（learning）莹汤。
機(jī)器學(xué)習(xí)模型將輸入數(shù)據(jù)集轉(zhuǎn)化成有意義的輸出，這個(gè)過程是從已有的輸入和輸出對(duì)的例子中學(xué)習(xí)到的颠印。因此纲岭，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的中心問題是可讀性的轉(zhuǎn)化數(shù)據(jù)（transform data）：換句話說，學(xué)習(xí)輸入數(shù)據(jù)的有用的表征（representations）线罕。數(shù)據(jù)表征使得數(shù)據(jù)更接近期望的輸出止潮。
那什么是數(shù)據(jù)的表征？其核心是數(shù)據(jù)的表現(xiàn)形式——表示（represent）或者編碼（encode）數(shù)據(jù)钞楼。例如喇闸，彩色圖片可以編碼為RGB格式（紅－綠－藍(lán)）或者HSV格式（色相，飽和度询件，色調(diào)）燃乍。機(jī)器學(xué)習(xí)模型就是為了找到輸入數(shù)據(jù)的合適表征——數(shù)據(jù)的轉(zhuǎn)換是為了任務(wù)的更容易處理，比如宛琅，分類任務(wù)刻蟹。
下面舉一個(gè)例子。假設(shè)有x軸嘿辟，y軸和一些數(shù)據(jù)點(diǎn)坐標(biāo)（x舆瘪，y）片效，見圖1.3：
圖1.3 樣本數(shù)據(jù)點(diǎn)
正如你所見，有一些白色的數(shù)據(jù)點(diǎn)英古，一些黑色的數(shù)據(jù)點(diǎn)淀衣。本例假設(shè)想實(shí)現(xiàn)一個(gè)算法：輸入數(shù)據(jù)點(diǎn)的坐標(biāo)（x，y）召调，輸出該數(shù)據(jù)點(diǎn)是黑色還是白色的膨桥。在本例中，
輸入是數(shù)據(jù)點(diǎn)的坐標(biāo)唠叛；
期望輸出是數(shù)據(jù)點(diǎn)的顏色国撵；
算法評(píng)估標(biāo)準(zhǔn)：判斷正確的數(shù)據(jù)點(diǎn)的百分比
此處的首要任務(wù)是數(shù)據(jù)集的新表征，該數(shù)據(jù)表征需要能清晰分離白色的點(diǎn)和黑色的點(diǎn)玻墅。本例使用的數(shù)據(jù)轉(zhuǎn)換是坐標(biāo)變換介牙，見圖1.4：
圖1.4 坐標(biāo)變換
在新的坐標(biāo)系統(tǒng)中，數(shù)據(jù)點(diǎn)的坐標(biāo)可以看成是數(shù)據(jù)集的一個(gè)新表征澳厢。并且效果非常棒环础！使用了數(shù)據(jù)集的新表征，黑/白分類問題就可以用很簡(jiǎn)單的規(guī)則解決了：“黑色數(shù)據(jù)點(diǎn)的x > 0剩拢，或者”白色數(shù)據(jù)點(diǎn)的x < 0“线得。”這個(gè)新表征方法基本解決了分類問題徐伐。
在本例中贯钩，人工定義了坐標(biāo)變換。但是办素，如果嘗試系統(tǒng)性地搜索所有不同的可能的坐標(biāo)變換角雷，并將正確分類數(shù)據(jù)點(diǎn)的百分比作為反饋，那就是在做機(jī)器學(xué)習(xí)性穿。機(jī)器學(xué)習(xí)中的“學(xué)習(xí)”勺三，是描述自動(dòng)搜索更優(yōu)的數(shù)據(jù)表征的過程。
所有機(jī)器學(xué)習(xí)算法都包含自動(dòng)化尋找這么一個(gè)轉(zhuǎn)換：該轉(zhuǎn)換能根據(jù)給定的任務(wù)將數(shù)據(jù)集轉(zhuǎn)化成有用的特征表示需曾。這個(gè)操作可能是坐標(biāo)變換吗坚，如前所見，或者線性投影（線性投影可能損失有用的信息）呆万，翻譯商源，非線性操作（比如，當(dāng)x > 0時(shí)谋减，選中所有數(shù)據(jù)點(diǎn)）牡彻，等等。機(jī)器學(xué)習(xí)算法通常不能創(chuàng)造性地搜索到這些轉(zhuǎn)換逃顶；它們僅僅通過預(yù)定義的操作集合進(jìn)行搜索讨便，此過程也稱為超參數(shù)空間（hypothesis space）。
那究什么是竟機(jī)器學(xué)習(xí)呢以政？從技術(shù)上來講霸褒，在預(yù)定義的參數(shù)空間內(nèi)，自動(dòng)搜索輸入數(shù)據(jù)集有效的表征盈蛮，并以反饋信號(hào)做引導(dǎo)废菱。這個(gè)簡(jiǎn)單的理念可以解決廣大的人工職能任務(wù)，從語(yǔ)音識(shí)別到自動(dòng)駕駛抖誉。
現(xiàn)在理解完機(jī)器學(xué)習(xí)的學(xué)習(xí)殊轴，下面開始探索是什么讓深度學(xué)習(xí)比較特別。
1.1.4 何為深度學(xué)習(xí)的“深度”
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)特定子領(lǐng)域袒炉，其數(shù)據(jù)集的學(xué)習(xí)表征強(qiáng)調(diào)學(xué)習(xí)一系列連續(xù)的表征層旁理，這些逐層的表征層不斷地增加了有效的數(shù)據(jù)表征。深度學(xué)習(xí)的“深度”并不涉及更深度的學(xué)習(xí)方法我磁；而是表示一系列連續(xù)的特征層的理念孽文。數(shù)據(jù)模型的層數(shù)稱為模型的深度（depth）。深度學(xué)習(xí)的其它叫法有夺艰，分層表征學(xué)習(xí)和多級(jí)表征學(xué)習(xí)芋哭。當(dāng)前的深度學(xué)習(xí)經(jīng)常涉及十層甚至上百層的連續(xù)特征表示層，它們都是從訓(xùn)練數(shù)據(jù)集自動(dòng)學(xué)習(xí)的郁副。其它機(jī)器學(xué)習(xí)的方法一般傾向于從訓(xùn)練數(shù)據(jù)學(xué)習(xí)一層或者兩層的表征减牺，因此，這種機(jī)器學(xué)習(xí)也稱為淺層學(xué)習(xí)（shallow learning）存谎。
在深度學(xué)習(xí)中拔疚，這些表征層通常是通過多層神經(jīng)網(wǎng)絡(luò)（neural network）模型學(xué)習(xí)得到的。神經(jīng)網(wǎng)絡(luò)來源于生物科學(xué)既荚，深度學(xué)習(xí)的核心概念啟發(fā)自對(duì)人類大腦的理解草雕，但是深度學(xué)習(xí)模型并不是大腦的模型。沒有證據(jù)表明大腦實(shí)現(xiàn)的學(xué)習(xí)機(jī)制被用在了當(dāng)前的深度學(xué)習(xí)模型固以。你可能偶然發(fā)現(xiàn)某些頂級(jí)科學(xué)文章宣稱深度學(xué)習(xí)像大腦一樣工作或者模擬大腦墩虹，但是實(shí)際情況不是這樣的。這可能對(duì)該領(lǐng)域的新人在理解深度學(xué)習(xí)上帶來疑惑和困擾憨琳。你不需要搞得像大腦一樣神秘诫钓，只管忘掉看到的關(guān)于深度學(xué)習(xí)和生物相關(guān)的假設(shè)。深度學(xué)習(xí)是一個(gè)從訓(xùn)練數(shù)據(jù)學(xué)習(xí)表征的數(shù)學(xué)框架篙螟。
深度學(xué)習(xí)算法到底如何進(jìn)行表征學(xué)習(xí)呢菌湃？下面看一個(gè)幾層深度網(wǎng)絡(luò)的例子，其轉(zhuǎn)換數(shù)字圖片來識(shí)別圖片中的數(shù)字遍略，見圖1.5：
圖1.5 圖片識(shí)別數(shù)字的分類神經(jīng)網(wǎng)絡(luò)
如圖1.6所示惧所，神經(jīng)網(wǎng)絡(luò)將數(shù)字圖片轉(zhuǎn)換為學(xué)習(xí)特征骤坐，對(duì)原始圖片進(jìn)行圖像增強(qiáng)，從而識(shí)別出最終的結(jié)果下愈。你可以認(rèn)為神經(jīng)網(wǎng)絡(luò)經(jīng)過多層連續(xù)的過濾器進(jìn)行信息提取纽绍，最后得到結(jié)果。
圖1.6 數(shù)字分類模型的深度學(xué)習(xí)表征
所以势似，什么是深度學(xué)習(xí)呢拌夏？從技術(shù)性上講，深度學(xué)習(xí)是多級(jí)數(shù)據(jù)集表征學(xué)習(xí)履因。就這么簡(jiǎn)單的機(jī)制障簿，經(jīng)過足夠多層的擴(kuò)展，能夠魔術(shù)般的解決問題栅迄。
1.1.5 三張圖理解深度學(xué)習(xí)工作原理
此時(shí)站故，你已經(jīng)知道機(jī)器學(xué)習(xí)是通過觀察樣本數(shù)據(jù)集的輸入和目標(biāo)，進(jìn)而學(xué)習(xí)將輸入（比如毅舆，圖片）和目標(biāo)（比如世蔗，“cat”標(biāo)簽）映射。你也知道深度神經(jīng)網(wǎng)絡(luò)是從樣本數(shù)據(jù)集中學(xué)習(xí)數(shù)據(jù)轉(zhuǎn)換（也即學(xué)習(xí)表征）朗兵，通過多層數(shù)據(jù)轉(zhuǎn)換層實(shí)現(xiàn)輸入和目標(biāo)的映射污淋。下面看下這個(gè)學(xué)習(xí)過程具體是如何工作的？
layer處理輸入數(shù)據(jù)的規(guī)范要求存儲(chǔ)在layer的權(quán)重（weights）中余掖，這些權(quán)重其實(shí)是一堆數(shù)值寸爆。從技術(shù)術(shù)語(yǔ)上講，layer通過權(quán)重參數(shù)化實(shí)現(xiàn)了數(shù)據(jù)轉(zhuǎn)換（權(quán)重有時(shí)也稱layer的參數(shù)）盐欺，見圖1.7赁豆。本文中，學(xué)習(xí)（learning）意味著尋找神經(jīng)網(wǎng)絡(luò)中所有l(wèi)ayer的權(quán)重值的集合冗美，比如正確地將樣本數(shù)據(jù)集的輸入和相關(guān)的目標(biāo)映射魔种。這里需要注意的是，一個(gè)神經(jīng)網(wǎng)絡(luò)可能包含成千上萬(wàn)個(gè)參數(shù)粉洼。修改某個(gè)參數(shù)可能會(huì)影響其它所有的參數(shù)节预，那找到所有參數(shù)的正確值看似是個(gè)相當(dāng)艱巨的任務(wù)。
圖1.7 權(quán)重參數(shù)化的神經(jīng)網(wǎng)絡(luò)
為了控制神經(jīng)網(wǎng)絡(luò)的輸出属韧，需要度量模型輸出和期望值之間的距離安拟。這部分是神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)（loss function）的工作，有時(shí)也稱觀察函數(shù)（objective function）宵喂。損失函數(shù)輸入神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值和實(shí)際目標(biāo)（期望輸出）糠赦，計(jì)算兩者之間的距離值，評(píng)估神經(jīng)網(wǎng)絡(luò)在訓(xùn)練模型上的效果，見圖1.8拙泽。
圖1.8 度量神經(jīng)網(wǎng)絡(luò)模型輸出的損失函數(shù)
深度學(xué)習(xí)的主要訣竅是淌山，使用損失函數(shù)值作為反饋信號(hào)微調(diào)權(quán)重值，降低訓(xùn)練數(shù)據(jù)在某個(gè)方向上的損失值顾瞻，見圖1.9泼疑。前面的調(diào)節(jié)過程是神經(jīng)網(wǎng)絡(luò)的優(yōu)化器（optimizer）的工作。優(yōu)化器是由后向傳播算法（Backpropagation）實(shí)現(xiàn)的朋其，其是深度學(xué)習(xí)的核心算法王浴，下一章惠詳細(xì)講解向傳播算法是如何工作的脆炎。
圖1.9 損失函數(shù)值調(diào)節(jié)權(quán)重值
一般神經(jīng)網(wǎng)絡(luò)權(quán)重值先隨機(jī)初始化梅猿，這時(shí)神經(jīng)網(wǎng)絡(luò)完成的看起來僅僅是些隨機(jī)數(shù)據(jù)轉(zhuǎn)換，它輸出的結(jié)果自然地遠(yuǎn)離理想值秒裕，損失函數(shù)值也相應(yīng)很高袱蚓。但是隨著神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理的推進(jìn)，權(quán)重值也在正確的方向上逐步微調(diào)几蜻，損失值也在降低喇潘。前面描述的過程稱為迭代訓(xùn)練（training loop）。重復(fù)迭代足夠的訓(xùn)練次數(shù)后得到的權(quán)重值會(huì)最小化損失函數(shù)值梭稚。具有最小化損失值的神經(jīng)網(wǎng)絡(luò)模型輸出與期望的目標(biāo)值幾乎相同颖低。
1.16 深度學(xué)習(xí)的應(yīng)用場(chǎng)景
雖然深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中早期的子領(lǐng)域，但是其也就在2010年代才稍微興盛起來弧烤。過去幾十年忱屑，深度學(xué)習(xí)沒什么進(jìn)展，只在感知學(xué)習(xí)問題上有點(diǎn)成績(jī)暇昂。
深度學(xué)習(xí)當(dāng)前已經(jīng)在機(jī)器學(xué)習(xí)難以出成績(jī)的領(lǐng)域有了以下突破：
圖像分類
語(yǔ)音識(shí)別
手寫字識(shí)別
機(jī)器翻譯
文本語(yǔ)音轉(zhuǎn)換
智能數(shù)字設(shè)備莺戒，比如 Google Now和Amazon Alexa
自動(dòng)駕駛
廣告投放，比如Google急波，百度和微軟的Bing
網(wǎng)站搜索
自然語(yǔ)言的問答
AlphaGo
人們?nèi)栽谔剿魃疃葘W(xué)習(xí)更廣泛的領(lǐng)域从铲，如果成功的話，深度學(xué)習(xí)可能在科學(xué)澄暮、軟件開發(fā)等方面幫助人類開辟新世紀(jì)名段。
未完待續(xù)。泣懊。吉嫩。
Enjoy!
翻譯本書系列的初衷是，覺得其中把深度學(xué)習(xí)講解的通俗易懂嗅定。不光有實(shí)例自娩，也包含作者多年實(shí)踐對(duì)深度學(xué)習(xí)概念、原理的深度理解。最后說不重要的一點(diǎn)忙迁，F(xiàn)ran?ois Chollet是Keras作者脐彩。
聲明本資料僅供個(gè)人學(xué)習(xí)交流、研究姊扔，禁止用于其他目的惠奸。如果喜歡，請(qǐng)購(gòu)買英文原版恰梢。
俠天佛南，專注于大數(shù)據(jù)、機(jī)器學(xué)習(xí)和數(shù)學(xué)相關(guān)的內(nèi)容嵌言，并有個(gè)人公眾號(hào)：bigdata_ny分享相關(guān)技術(shù)文章嗅回。
若發(fā)現(xiàn)以上文章有任何不妥，請(qǐng)聯(lián)系我摧茴。
