深度学习是基础服务

深度学习是AI研究的一个重要方向，最近看了不少相关资料，不免有些感悟这里写出来给大家分享。

一、深度学习是基础服务

深度学习可以类比于云计算，很多人看不懂、看不明白，只知道好像很厉害。其实与当年的云计算有点类似，喧嚣和泡沫过后，现在回看云计算的本质其实就是“基础服务”。这个基础服务是整个社会的一次升级，阿里云诞生于2009年，也正是第三次互联网浪潮的元年。

云计算诞生之前，一个企业要提供某项互联网服务要做什么？

1）买服务器

2）买专线

3）开发软件

4）寻找客户

云计算诞生之后呢？考虑商业模式就行了，因为前面所有步骤都可以直接买到，甚至有非常成熟的方案提供。

1）服务器：各种云可以租虚拟主机，一个月最低30-40元

2）专线：虚拟主机送公网IP

3）开发软件：各行各业都可以直接买到SAAS服务，一键定制你的APP、网站、办公系统、财务软件等等，费用最低99元/月

4）寻找客户：各大平台一键营销，精准广告投放

最重要的是，所有这些关键要素都统一在一个“云”平台上，创业者只需要考虑好自己的商业模式能不能挣钱就行了。所以09年以后，大家普遍感觉创业的人更多了，许多人一夜暴富，但是更多人感觉干啥都挣不到钱，因为互联网“门槛”太低了！

一个小店想接入APP点餐、在线支付、甚至是同城营销，以前最低50万起步，代码修修改改上线得一年。现在呢？上阿里云点几下，一个月99全部搞定！这就是整个社会的基础服务升级。然后我们就发现，更多的创业者都在“模式创新”，因为基础设施已经太完善了，可以说云计算的普及不亚于高铁的成就！

我们再看看“深度学习”，现在能看到的应用不外乎就是PP图、模仿声音、图片识别等等，实际上大部分人没看到的是它的“跨界属性”。09年之前我们可以将卖云吞的小老板与互联网关联起来吗？现在可以了，你进了一家小店，微信扫一下，从点单、买单、上菜全部小程序搞定，老板只需要做好云吞就行了，这就是基础服务升级的魅力。

现在你能将“深度学习”与这个云吞店关联起来吗？恐怕不能。那我们设想这样一个场景：你走到云吞店门口，犹豫是要吃云吞呢还是隔壁的小面，就在这时，AI通过走路的姿势和眼神判断你可能是潜在新客户并且在犹豫，立即在门口的大屏幕上显示“新客立减5元”，我想很多人是阻挡不了这种优惠的。那云吞老板说了，我可以挂个招牌写上撒。如果这时候是个老客户呢，一看新客优惠老客户没优惠啦，是不是人家要去吃隔壁小面了。AI来处理就好办了，一看是胖子，屏幕上立即显示云吞个头大、虾量足、今天加量还有优惠。一看是瘦子，屏幕就显示荠菜云吞健康好吃，小份的只要10元。等等，这不就是个高级营销嘛？是的，AI这时就是实现了高级营销。那店老板做下营销研究，在后台设置一些参数来识别新老客户，并且有针对性地写一些营销方案行不行呢？自然是可以的。但是换个店怎么办？卖小面的是不是要重新做一下研究重新制订方案呢？卖水饺呢？是不是所有店老板都得是营销专家才行啊。

有了云计算小店老板不用编程一样接入互联网，同样的，有了深度学习小店老板不懂营销一样是营销大师。而且深度学习的关键魅力在于，它不需要任何的营销知识，只需要通过学习和自我迭代就能变成你的专属营销专家，这就要从深度学习的基本原理讲起了。

二、深度学习的基本原理

深度学习与机器学习的最大区别在于，学习过程中是不需要有“人”的，也就是它能自我迭代和进化，很神奇吗？其实还好，下面我们详细讲讲。

上图是身高与体重对应的统计图，红色是女性，蓝色是男性。可以看到身高与体重大体是正相关的，也就是身高越高体重越重。机器学习的办法就是录入大量的身高体重数据，然后去除“噪音”，做一些加权运算最终得到一个大体合理的预测模型，如下图：

这个模型自然是有一点合理性，但是基本没有实用意义，因为“特征”太少。

下图是一个风暴预测图，科学家发现风暴的形成与温度、湿度可能有一定相关性，于是他们把大量历史数据输入到机器学习的模型里，最后得到温湿度与风暴形成的数学模型，以后使用时只需要输入当前温湿度就能得到风暴形成的概率值。这里的温度和湿度就是这个模型的“特征”。

前面例子的核心问题就是，必须得有个科学家来输入“特征”，而且特征越多模型也就越准确，那么一个模型是否准确的关键就在于特征是否足够、数据量是否充足，还得有个“科学家”来寻找和输入特征。一个模型的成功与否与人的经验其实是正相关的。

到了深度学习神奇的事情就发生了，我们只需要数据量而无需输入特征，因为它自己给自己把特征找出来了！我们以人像识别（从多张图片中识别出包含人脸的图片）为例简单讲一下原理，下图比较经典了，大概描述了深度学习的基本过程，但是很多人看的有点糊涂，这里我们就详细解释下。

第一张图：即是要学习的图片

第二张图：深度学习先从图片中提取出各种“边”，即有明暗变化的部分。这里叫第一层特征

第三张图：将各种“边”进行随机组合，能得到眼睛、鼻子、耳朵。这叫第二层特征

第四张图：将上面的眼睛、鼻子、耳朵再次进行组合，即能得到看起来像是人脸的图片。这叫第三层特征

如果输入足够多的图片，我们就能得到足够充分的特征库（保留各层相似的，去掉各层不相似的）。如此，当你胡乱输入一些图片时，AI通过特征库就能判断那些是人脸那些不是了。深度学习的厉害之处就在于特征库的学习完全是自主实现的，而机器学习需要人为去输入这些特征。深度学习的“深度”之处就在于你可以使用更多层次，提取更加精准的特征，最终的效果就是人脸识别、随机人脸生成、无缝PS等等。

三、深度学习的优势

综上，深度学习的优势就在于它摆脱了经验与“专家”，无论什么人只要掌握了该技术就变得比行业专家还要专家。比较实际的应用就包括：

1）一键换头，不会PS也能变成PS神人

2）一键去除背景，同上

3）模仿特定声音，人人都是调音师

4）随机生成猫图，天天吸猫不是梦

这些软件的创作者都不是相关专家，大部分还都是这个研究方向的学生。相信很快就会有通用的平台让每个人都可以“深度学习”起来。