新时代高科技不计其数越来越发达，小伙伴们看过不少科技新闻吧，在我们生活中应该也用到很多这些高科技东西，有哪些小伙伴值的关注的呢，今天就跟大家分享一篇有关科技方面知识，希望大家会喜欢。

深度学习是指使用分层神经网络创建人工智能的技术，非常类似于人脑的简化复制品。

它适用于更大的机器学习技术系列，旨在教授机器基于其自身的确定来分析数据，而不是使用由人为特定任务构建的预定义算法。

深度学习方法松散地基于大脑的新皮层，在一系列路径中安排分析节点以使数据在其间流动，基本上将它们连接在分层节点的网状网络中 - 尽管它无法完全复制复杂的系列多层连接，使大脑成为如此强大的计算机。

该方法提供的分析能力有助于为未来技术提供动力，例如无人驾驶汽车，帮助他们识别道路标志，或者以他们的方式区分物体。

深度学习模型可以实现高水平的准确性，有时超过人类级别的性能，并且通常通过使用包含许多层的大量标记数据和神经网络架构来训练。

了解AI及其分类

人工智能的想法并不新鲜。事实上，早在18世纪就有人工智能的记录，机器的威胁变得像人类(或更多)在2001年的电影中广泛普及：太空漫游 和 终结者。

但是这些概念不再是电影中捕捉到的想法 - 它们越来越成为日常生活的一部分，随着超智能聊天机器人和应用程序等技术的引入，机器智能可能会超越人类智能 - 而且它是未来不会太远。

“人工智能”这个术语对于描述机器为自己思考的广泛概念很有用，但实际上，当我们开始关注这项技术时，这个术语实在太松散了。人工智能本身可以分为两个不同的研究领域：一般和狭义(或应用)AI。

一般AI，顾名思义，指的是能够执行人类本来能够执行的任何任务的系统的研究和设计。由于对大规模自动化和杀手机器人的崛起的担忧，它可能是人工智能最常见的解释，也是导致最歇斯底里的一种解释。正如您可能已经意识到的那样，迄今为止，该领域的成功相当有限。

另一方面，狭窄的人工智能则更为成功。这个领域不是专注于构建一个能够模仿人类的系统，而是着眼于能够比任何人更好地执行特定任务或任务集的构建机器。

一个很好的例子是人工智能公司Luka设计的聊天机器人，它是为了自动分析和回应发送给罗马Mazurenko的文本和社交媒体消息而建立的，后者是最近去世的Luka开发人员之一的密友。聊天机器人的任务是分析前四年的数据，以建立对Mazurenko过去互动的印象。使用这些数据，它能够使用Mazurenko的风格回复消息，反映他的语气和语言。

不可否认，这是一个相当令人毛骨悚然的例子，但它表明，虽然狭窄的人工智能并不一定与普通的人工智能保持同样的野心，虽然它肯定不像科幻梦想的杀手机器人那样先进，但它有助于复制一定程度的人类智慧。

由于机器学习，这在很大程度上是可能的。使用机器学习原理构建的算法用于训练狭窄的AI系统以从他们处理的数据中学习，而不是仅使用预设指令复制人类动作的机器。

例如，在系统试图识别生日气球的图片的情况下，可以教导机器使用预定义的例程，例如一个用于检测形状，一个用于识别数字，另一个用于分析颜色。在早期的机器学习模型中，系统将采用这些人工编码的例程并开发算法，以帮助它学习正确识别对象。

虽然这对人工智能的发展来说无疑具有开创性，但模型中的缺陷很快浮出水面。最大的问题是使用预定义的分析程序，这需要在此过程中输入太多人力资源。对于难以处理的照片，例如模糊的面部或物体，也存在问题。

那么深度学习如何适应?

模型已经吸取了我们对人类大脑的理解，这在今天被称为深度学习。

术语“深”指的是分层神经网络的构造，类似于位于大脑内的互连神经元的网格。与大脑不同，大脑的行为类似于3D网络，其中任何一个神经元都能够与其附近的任何其他神经元交谈，这些人工网络运行分层结构，具有连续路径的层层连接以允许数据流动。一种称为反向传播的技术可调整这些网络中节点之间的权重，以确保传入数据点通向正确的输出。

研究人员希望重建大脑复杂的分析过程。每个层不仅用于分析数据，还每次都提供额外的上下文。当对象穿过每一层时，可以获得更准确的图像并理解它。

在气球示例中，图片将被分解为其组成部分，无论是它的颜色，表面上的任何编号或字体，它所保持的形状，以及它是否被保持或在空中飞行。然后通过第一层神经元分析每个部分，进行判断，并将其传递到下一层。

这在打击欺诈方面尤其有效。例如，系统可以被设计为识别欺诈性帐户活动，涉及首先获取原始数据的神经网络，然后在通过时添加上下文信息，例如交易值和位置数据。

虽然有些网络可能只有几层，但一些程序，包括谷歌的AlphaGo-- 在2016 年击败了中国棋盘游戏Go的冠军玩家- 有数百个。当然，这需要巨大的计算能力，尽管神经网络一直是早期AI先驱的野心，但 直到最近 它仍然是不切实际的。

当今许多最先进的机器学习系统都使用神经网络来处理数据。由于深入学习，最近在无人驾驶汽车行业取得了成功，而原则也被部署在国防和航空航天领域，以便从太空中识别物体。

虽然深度学习的潜力巨大，但在涉及更像人类的任务时却存在局限性。深度学习擅长模式识别，就像复杂但固定的Go规则一样。但研究人员指出，教授机器所需的大量训练数据只是一套特定的规则。

在目前的发展阶段，深度学习似乎不可能执行人类相同的精细，适应性思维过程，但是技术继续以相当快的速度发展。