关于人工智能与深度学习的一些分析

发展至今，人工智能可以划分为两类：弱人工智能和强人工智能。前者让机器具备观察和感知的能力，能做到一定程度的理解和推理；而强人工智能是让机器获得自适应能力，解决一些从没遇到过的问题。这里的“智能”从何而来？人工智能又如何取得突破？要从一种实现人工智能的方法——机器学习说起。

与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

这里有三个重要信息：1. “机器学习”是“模拟、延伸和扩展人的智能”的一条路径，是人工智能的一个子集；2. “机器学习”要基于大量数据，也就是说它的“智能”是用大量数据喂出来的；（敲黑板！！！这个后面会用到）3. 正是因为要处理海量数据，所以大数据技术尤为重要，而“机器学习”只是大数据技术上的一个应用。

虽然传统的机器学习算法在指纹识别、人脸检测等领域的应用基本达到了商业化要求，但“再进一步”却很艰难，直到深度学习算法的出现。

深度学习（Deep Learning）属于机器学习的子类，是目前最热的机器学习方法，但它并不意味着是机器学习的终点。它的灵感来源于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并非是一个全新概念，可理解为包含多个隐含层的神经网络结构。机器学习和深度学习有哪些维度的不同？机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。一个同心圆就可以展现出它们的关系。

具体不同大致有以下几点：

1. 数据依赖。随着数据量的增加，二者的表现有很大区别。深度学习适合处理大数据，而数据量比较小的时候，用传统机器学习方法也许更合适。

2. 硬件依赖。深度学习十分地依赖于高端的硬件设施，因为计算量实在太大。它会涉及很多矩阵运算，因此很多深度学习都要求有GPU（专门为矩阵运算而设计的）参与运算。

3. 特征工程。简单讲就是在训练一个模型的时候，需要首先确定哪些特征。在机器学习方法中，几乎所有特征都需要人为确认后，再进行手工特征编码。而深度学习试图自己从数据中学习特征。

4. 解决问题的方式。（重点！）解决问题时，机器学习通常先把问题分成几块，一个个地解决好之后，再重新组合。但是深度学习是一次性、端到端地解决。

5. 运行时间。深度学习需要花大量时间来训练，因为有太多参数要去学习。机器学习一般几秒钟最多几小时就可以训练好。但深度学习训练出的模型优势就在于，在预测任务上运行非常快。也是刚刚提到的实时物体检测。

深度学习前加个“分布式”，又是怎么回事？面对越来越复杂的任务，数据和深度学习模型的规模都变得日益庞大。当训练数据词表增大到成百上千万时，如果不做任何剪枝处理，深度学习模型可能会拥有上百亿、甚至是几千亿个参数。为了提高深度学习模型的训练效率，分布式训练出现了——即同时利用多个工作节点，分布式地、高效地训练出性能优良的神经网络模型。

目前主要有两种并行化/分布式训练方法：数据并行化和模型并行化。数据并行化里，不同的机器有同一个模型的多个副本，每个机器分配到数据的一部分，然后将所有机器的计算结果按照某种方式合并；模型并行化里，分布式系统中的不同机器负责单个网络模型的不同部分。比如，神经网络模型的不同网络层被分配到不同机器。