深度學習是什么意思？近年來，隨著信息社會、學習科學和課程改革的發(fā)展，深度學習是一種新的學習形式。目前，對深度學習的概念有很多答案，很多專家學者的解釋是本質(zhì)意義一致的表述略有不同。李嘉厚教授認為，深度學

深度學習是什么意思？

近年來，隨著信息社會、學習科學和課程改革的發(fā)展，深度學習是一種新的學習形式。

目前，對深度學習的概念有很多答案，很多專家學者的解釋是本質(zhì)意義一致的表述略有不同。

李嘉厚教授認為，深度學習是建立在理解的基礎(chǔ)上的。學習者可以批判性地學習新的想法和事實，將它們?nèi)谌朐械恼J知結(jié)構(gòu)，將許多想法聯(lián)系起來，并將現(xiàn)有的知識轉(zhuǎn)移到新的情境中，從而做出決策和解決問題。

郭華教授認為，深度學習是在教師指導下的一個有意義的學習過程，學生圍繞挑戰(zhàn)性的學習主題，全心投入，體驗成功，獲得發(fā)展。它具有批判性理解、有機整合、建設性反思和遷移應用的特點。

深度學習有幾個特點。一是觸動人心的學習。第二，體驗式學習。三是深入認識和實踐創(chuàng)新的研究。

深度神經(jīng)網(wǎng)絡（DNN）是否模擬了人類大腦皮層結(jié)構(gòu)？

同時，一些特定的深層神經(jīng)網(wǎng)絡模型在一定程度上類似于人類大腦皮層的結(jié)構(gòu)。

例如，2017年10月，美國普渡大學綜合腦成像實驗室的劉忠明在大腦皮層發(fā)表了《基于動態(tài)自然視覺深度學習的神經(jīng)編解碼》，基于深度神經(jīng)網(wǎng)絡模型對動態(tài)視覺進行編解碼。這項工作基于972個視頻片段和11.5小時的功能磁共振數(shù)據(jù)，通過深度神經(jīng)網(wǎng)絡（fMRI）編碼和解碼，磁共振成像技術(shù)檢測由于氧合血紅蛋白和脫氧血紅蛋白比率的變化而引起的血液磁化率的差異，并判斷相應的腦區(qū)處于活動或靜止狀態(tài)），并用深層神經(jīng)網(wǎng)絡來解釋動態(tài)視覺與腦激活的關(guān)系以及二者之間的關(guān)系。在以往的研究中，深度神經(jīng)網(wǎng)絡主要用來解釋靜態(tài)視覺和大腦激活之間的關(guān)系。目前尚不清楚深度神經(jīng)網(wǎng)絡是否可以用來解釋動態(tài)視覺和大腦激活之間的關(guān)系。具體來說，CNN模型的中間層負責處理抽象的視覺信息，與人類視覺皮層的層次結(jié)構(gòu)非常相似。

最終效果非常好。在編碼方面，它取決于ROI（感興趣區(qū)域）。在相同的ROI范圍內(nèi)，平均精度可達0.4～0.6，跨ROI的精度為0.25～0.3。

此答案中使用的圖片均取自原稿。

阿里巴巴和華為都自研了ai芯片，誰的比較厲害？

阿里的漢光800和華為的勝騰910屬于人工智能芯片，但它們的應用領(lǐng)域截然不同。漢光800是一款更側(cè)重于特殊領(lǐng)域的產(chǎn)品，而神騰910則相對通用，可以用于AI學習和訓練。兩者在適用范圍和設計目標上有很大差異。如今，人工智能計算剛剛興起。無論是阿里巴巴還是華為，各個廠商的AI芯片都沒有統(tǒng)一的標準，突破多在具體的落地領(lǐng)域，可比性不強，實際效果與使用場景密切相關(guān)，不可能直接比較誰比誰好。

不過，阿里巴巴和華為兩款AI芯片的愿景是相似的。這兩種芯片短期內(nèi)不會對外銷售。它們只會大規(guī)模部署在自己的云服務和相應的產(chǎn)品中。開發(fā)者只需要為計算能力付費。未來，云服務將成為IT行業(yè)的水、電、煤。誰能把電線拉到谷開來，誰的家電上網(wǎng)價格最便宜，誰就能得到最大的市場。

如果我們真的想拿出一些數(shù)據(jù)進行對比，那么漢光800芯片在resnet-50中的推理性能可以達到78563ips，這是一個世界紀錄的性能，有著“世界上性能最高的人工智能推理芯片”的光環(huán)；華為勝騰910是一個通用的人工智能處理器，半精度（fp16）計算能力為256TFlops，是行業(yè)的兩倍；推理能力的崛起，int8計算能力16個頂點，功耗僅8W，處于行業(yè)領(lǐng)先地位。

神經(jīng)網(wǎng)絡啥時候改名叫“深度學習”了？

這是同根，何必太著急。

深度學習可以理解為使用深度神經(jīng)網(wǎng)絡（DNN）的機器學習。從這個定義可以看出它們之間的關(guān)系。

深度神經(jīng)網(wǎng)絡（DNN）一般分為三種結(jié)構(gòu)

簡單的DNN：一般的神經(jīng)網(wǎng)絡擴展到多層，有很多缺點，包括訓練速度慢，使用BackProp訓練梯度衰減嚴重；

深度信念網(wǎng)絡（DBN）：基于RBN（受限玻爾茲曼）卷積深度信念網(wǎng)絡（cdbn）：比DBN訓練更快，適用于非常大的圖像或語音識別。

困難之一是訓練速度。另一個是需要大量的計算能力。成本很高。例如，谷歌的alphago使用1202個cpu和176個gpu。普通人和公司負擔不起如此強大的計算能力。

深度學習的預測模型有哪些？

深度學習模型很常見：卷積神經(jīng)網(wǎng)絡CNN、堆疊式自動編碼器SAE、遞歸神經(jīng)網(wǎng)絡DNN、生成對抗網(wǎng)絡Gan、深度信念網(wǎng)絡DBN、深度神經(jīng)網(wǎng)絡DNN、深度強化學習DRL以及模型的許多變體。

深度學習中沒有預測模型，只是那些模型是一個預測問題。GDP預測是一個連續(xù)的問題。我覺得CNN、DBN和DNN不合適。如果數(shù)據(jù)量有限，參考互聯(lián)網(wǎng)金融，我覺得遷移學習深度學習模式是一個不錯的選擇。個人觀點，僅供參考，更多官方賬號可關(guān)注個人微信公眾號“深度學習與NLP”。