深度学习

深度学习是什么？

机器学习是个大篮子，深度学习就是里面最能折腾、也是这几年动静最大的那一个。它本质上是在模仿人脑处理信息的那种层层递进的方式，但别被“模仿人脑”四个字忽悠了，实际离真正的人脑还差着十万八千里。

你可以把深度学习想象成一个机场安检系统。最前面一层安检员只盯着最基础的东西——比如包裹的轮廓、颜色深浅。他把这些发现传给第二层，第二层开始识别出轮子、把手这些部件。再传给第三层，第三层就能认出“哦，这是个行李箱”。到了最高层，它甚至能判断出这箱子是登机箱还是托运箱。每一层都在前一层的基础上，把信息抽象得越来越高级。深度学习的“深度”，指的就是这种层级堆得特别深，少则几十层，多则上千层。

它跟传统机器学习的最大区别是：传统方法需要人花大量时间去“教”它看什么特征（比如告诉它“耳朵尖的是猫”），而深度学习自己对着几百万张图看，自己琢磨出“尖耳朵、胡须、瞳孔形状”这些特征。用人话说就是省了人工设计特征的麻烦，但代价是需要海量数据和强力显卡。

它之所以这几年火起来，主要靠三座大山的突破：海量数据（互联网攒下的家底）、算力（GPU越做越猛）、以及算法的微小改良（比如让梯度传得更深）。没有这三样，深度学习几十年前就有了雏形，但那时候跑不动。

但它有个致命缺点：黑盒。它认得出一只猫，但你说不清楚它到底是根据耳朵、胡须还是尾巴认出来的。在医疗诊断或者贷款审批这种需要解释的地方，这就很要命。另外，它贪婪得很——数据少了表现还不如简单模型，耗电量也大到惊人。

所以，深度学习不是什么万能灵药，而是一种依靠巨大算力和数据、自己摸索特征的多层数学变换。用对了地方是神器，用错了地方就是昂贵的电暖气。