入门深度学习工作原理都能看懂吗

入门学习深度学习之前，有必要先了解一下深度学习的工作原理。著名程序猿小哥 Radu Raicea 特意为入门学习者写了一篇文章，利用一个票价预测工具的例子解释深度学习的工作原理，不需要有多高深的数学知识，人人都能看懂。

当前，人工智能和机器学习应该是最火爆的话题了，你估计经常听到有很多程序猿朋友说要去学 AI，很多公司宣布要应用AI技术，可是很多人其实并没有完全理解人工智能和机器学习。因此 Radu Raicea 觉得在解释深度学习原理之前，我们有必要了解几个基本术语，就当一个入门小测验好了：

你知道啥是机器学习吗？

机器学习指机器能够学习利用大数据集学习而不是硬编码规则，它是人工智能的核心，是使计算机具有智能的根本途径，主要使用归纳、综合而不是演绎。

机器学习能让电脑自我学习，这种学习类型得益于现代计算机强大的处理能力，可以轻易地处理大数据集。

你知道啥是监督学习吗？

监督学习应用了包含输入值和期望输出值的标记数据集。

当用监督学习训练AI的时候，我们需要给它输入值，并告诉它期望输出值。如果AI生成的输出值有误，它会调整自身计算。这个过程会随着数据集的更新而不断迭代，直到AI不再犯错。

监督学习的一个典型应用就是天气预报AI应用。AI利用历史数据学习如何预测天气。训练数据包括输入值（气压、湿度、风速等）和输出值（温度等）。

你知道啥是无监督学习吗？

无监督学习就是使用没有具体结构的数据集。

当使用无监督学习方法训练AI时，需要让AI对数据进行分类。

无监督学习的一个应用例子就是为电商网站预测消费行为。AI没有利用标记过的输入值和输出值数据集，相反它会对输入数据自己分类，从而能让网站知道顾客最喜欢买什么东西。

为啥要讲这两个概念呢？

因为监督学习和无监督学习正是深度学习中的两种学习方法。

祝贺你通过入门小测验，现在我们开启深度学习的大门。

深度学习的概念源于人工神经网络的研究，是机器学习研究中的一个新的领域，目的是建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

作为一种机器学习方法，深度学习能让我们用给定的输入值训练AI预测输出值。监督学习和无监督学习都能用来训练AI。

我们来看看 Radu Raicea 怎样用制作一个票价预测小工具的例子解释深度学习的工作原理，然后用监督式学习的方法训练它。

首先我们希望这个票价预测工具能用以下输入值预测票价（在这里先不考虑往返机票）：

出发机场

到达机场

出发时间

航线

神经网络

我们来看看AI的大脑——神经网络。 和动物一样，这个票价预测AI的大脑也有神经元。下图中的圆圈代表神经元，它们相互连接：

神经元被分为三种不同的层级：

输入层（input layer）

隐藏层（可能有多个）（hidden layer）

输出层（output layer）

输入层接收输入数据。在我们的票价预测AI中，输入层有4个神经元：出发机场，到达机场，出发日期和航线。输入层收到这些信息后会传递给第一个隐藏层。

隐藏层会对输入数据进行数学运算。如何决定隐藏层的数量、以及每层神经元的数量仍是构建神经网络的挑战。

深度学习中的“深度”俩字指的就是神经元中有不止一个隐藏层。

最后，输出层会返回输出数据，在这个例子中，就是AI预测出票价。

所以，这个AI工具到底是怎么计算出预测票价的呢？

当然是靠神奇的深度学习。

神经元之间的每个连接都和权重（weight）紧密相关，它决定了输入值的重要性。初始权重是随机设置的。 当预测某个航班的机票价格时，出发日期是最重要的因素之一，因此，出发日期神经元之间的连接会有很大的权重。

每个神经元都有一个激活函数。如果没有一定的数学知识，很难理解这些函数。不过，这篇文章面向入门者的，所以这里不再讲解深奥的数学知识。

简单来说，这些函数的目标之一就是将神经元的输出值“标准化”。

一旦一组输入数据通过神经网络的所有层级，AI会通过输出层返回输出值。

这不难理解，对吧？

训练神经网络

深度学习中最难的部分就是训练AI，为什么？

你需要大数据集。

你需要有满足训练所需的强大的计算能力。

拿我们要做的票价预测AI来说，我们需要有历史机票价格的数据。而且因为机场和出发日期的组合有很多种可能，因此这个票价列表信息会非常庞大。

要训练AI，我们需要为它提供来自数据集中的输入值，然后将AI的输出值与数据集的输出值相比较。由于AI还没有接受训练，因此输出值会有很多错误。

一旦将整个数据集中的所有数据输入完成，我们可以创建一个函数，为我们展示AI的输出值与真正的输出值差距有多大。这个函数就叫做“代价函数”（Cost Function）。

理想状态下，我们希望代价函数为零，但是只有AI的输出值和数据集的输出值一样的时候，才代表达到了这个状态。

那问题来了，怎样降低代价函数？

我们上文中提到了“权重”这个东东，还记得吗？在减少代价函数的操作中，权重起着至关重要的作用。改变神经元间的权重可以调整代价函数，我们可以随机改变它们直到代价函数接近0，但这种方法效率很低。

在这种情况下，一种叫做梯度下降（Gradient Descent）的神器隆重出场。

梯度下降是一种寻找函数最小值的方法，我们要找到机票价格模型中代价函数的最小值，就要靠梯度下降。

梯度下降的工作原理是在数据集的每次迭代后，以很小的增量改变权重。通过计算确定权重代价函数的导数（或梯度），我们就能发现朝哪个方向可以找到最小值。

要想将代价函数最小化，我们需要多次迭代数据集，这就是为什么刚才说需要有强大的计算能力。

利用梯度下降更新权重可以自动完成，这就是深度学习的魔力所在！等我们训练完机票价格预测AI工具后，我们就可以用它来预测未来的机票价格了！

哦对了，神经网络也有很多类型，不同的AI使用的神经网络也不同，比如计算机视觉技术采用的是卷积神经网络（ConvoluTIonal Neural Networks），自然语言处理用的是循环神经网络（Recurrent Neural Networks）。

最后对深度学习做个总结：

深度学习需要神经网络模仿动物的智力。

一个神经网络中有三种神经元层，即输入层、隐藏层（可有多个层级）和输出层。

神经元之间的连接与权重有关，它决定了输入值的重要性。

将激活函数应用到数据中，可以使神经元的输出值“标准化”。

要训练神经网络，你需要一个大数据集。

迭代数据集和将AI输出与数据集输出进行对比，将产生一个代价函数，显示AI的输出与真实输出之间的差异。

数据集的每一次迭代后，神经元之间的权重会通过梯度下降的方式，降低代价函数的值。