自從前年Alpha Go完虐李世石之後，深度學習就火了，但似乎沒人說得清它的原理，只是把它當作一個黑箱來使，有人說，深度學習就是一個非線性分類器，也有人說，深度學習是對人腦的模擬，然而，筆者覺得都沒有捅透那層窗戶紙。
這幾年，人工智能引起了非常多的關注，深度學習和機器學習在AI核心技術上得到了充分的關注之外，在計算機視覺和自然語言處理等領域又一次產生了巨大的影響，深度學習也是無人駕駛汽車的關鍵技術。
在深度學習中，計算機模型學習直接從圖像、文本或聲音中執行分類任務，深度學習模式可以達到新的精確度，有時甚至超過人類的表現，大多數深度學習方法使用神經網絡的架構，這也是深度學習模型通常被稱爲深度神經網絡的原因。
所謂深度通常是指神經網絡中隱藏層的數量，傳統的神經網絡只包含2到3個隱藏層，而深度神經網絡最多可以有150個，深度神經網絡最受歡迎的類型之一是卷積神經網絡，，卷積神經網絡通過輸入數據來卷積學習特徵，並通過2D卷積圖層，使得這種架構非常適合處理2D數據。
爲何深度學習關注點很多？（http://www.gp2q.com）
最主要的原因是準確性，深度學習模式可以達到前所未有的精確度，有時甚至超過人類的表現，還有另外兩個因素使該技術得到了業界的關注，其一，深度學習需要大量的標記數據。如，無人駕駛汽車的發展需要以數百萬計的圖像和數千小時的視頻爲基礎，這些大量的標記數據現在已經可以輕鬆獲得。
其二，深度學習需要大量的計算能力，高性能的GPU具有高效深度學習的並行架構，與集羣或雲計算結合使用時，開發團隊可以將深度學習網絡的培訓時間從幾周縮短到幾個小時甚至更短。
深度學習會是AI未來嗎？
其實，深度學習並不是人工智能的同義詞，由於谷歌、Facebook等巨頭公司宣傳人工智能工具時主要談的就是深度學習，甚至只談深度學習，因此大衆誤以爲所有的人工智能都由深度學習書寫，然而，真實情況並非如此。
未來人工智能應探索其它的新方法，或者被忽視的舊方法，而不僅僅使用深度學習，深度學習的一個侷限是把數據中最常見的內容作爲真理，把統計學上較稀少、或與較常出現的內容相反的東西看作謬論，深度學習的公正性並非來自其自身，而是人類篩選和準備的深度學習數據。
此外，有一些專家正在開發完全不包含深度學習的全新人工智能系統，但他們缺乏資金支持，現在所有人都只投資深度學習，而且這個風潮還將持續一段時間，沒有人知道下一個人工智能大事件將會是關於什麼的，但不太可能是深度學習。
總結：如果你們還沒來得及學習人工智能，那麼你們可以考慮等待下一個人工智能系統興起，並準備好並直接研究它，跳過深度學習，否則，如果你有需求學習人工智能，筆者建議你們一定要深入瞭解整個人工智能和機器學習領域的知識，而不僅僅是深度學習。
更多：（http://www.gp2q.com）