小学英语深度化教学策略

谈及AI时常听到的「神经网络」和「深度学习」到底是什么意思

小学英语深度化教学策略 - 宝贝英语

神经网络

神经网络是一个模型。

这个模型可能是参照了人的神经细胞和网络的构造，也可以理解成有一堆算法的表现形式刚好和神经网络有些像，然后被形容成神经网络，形象，高大上。

这个模型是什么？解决这个问题最好的途径是回顾历史，找它的起源。

感知器：（英语：Perceptron）是Frank Rosenblatt在1957年就职于Cornell航空实验室（Cornell Aeronautical Laboratory）时所发明的一种人工神经网络。它可以被视为一种最简单形式的前馈神经网络，是一种二元线性分类器。

上边是对于感知器的解释，感知器可以看成是最早的神经网络。感知器同样有着一个高大上的名词，不过其本身是一个线性分类器。

线性分类器还是可以理解成一个“模型”。

通过这个模型和一些算法可以将一堆数值转化成两个数值，或者一个概率，举个粗糙的例子：

人是否有好心情和很多因素相关，比如：得到关爱、关爱了别人、遇到喜欢的人、赚钱了、天气不错、终于下班了，等等。这些因素可以看成很多数值，但心情好不好只有两个，心情好和不好。借助感知器这个模型，可以推测人的心情。

感知器可以解决一些实际的问题。不过，有局限性，有局限性就需要解决。

多层感知器（Multilayer Perceptron,缩写MLP）是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个的节点层所组成，每一层都全连接到下一层。除了输入节点，每个节点都是一个带有非线性激活函数的神经元（或称处理单元）。

后来，有人提出了多层感知器，解决了之前感知器的一些不足，更加强大了。

多层感知器可以看成是感知器的增强，由于更加复杂，步骤更多，和神经网络的网络更像一些。之前的单个感知器更像是神经单元。

多层感知器的提出是在1980年左右，其发展并不顺利，到后来随着算法的进步，特别是反向算法的提出；计算能力的提升；GPU的使用；数据的增多，类似于多层感知器，和神经网络有些像的模型在机器学习当中才有了更好的表现。

这些模型流行的同时，其对外的表现形式也越发高大上，比如上图的样子。

神经网络现在给外界的感觉已经不是之前的分类器，而是更加注重流程，淡化了中间的细节。

更像一个模型。

深度学习

从字面来看，深度学习是深度的机器学习，这里的深度或许可以这样来看：

计算更加复杂，计算更加深入，结果更好，就像经过深度思考一样。意思是深度学习算法比传统机器学习算法厉害。。。。。。

神经网络中的层数多，可以粗略的看成更深。。。。。。

这里更喜欢这个关于深度学习的由来：

由于多层感知器曾经有一段时间表现并不好，甚至有些负面，近些年崛起之后，为了有一个全新的形象，给起了一个更加牛逼的名字：深度学习。

深度学习（deep neural network）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。

深度学习是一种算法。

不过，深度学习的表现过于突出，其含义也更加宽泛，包含神经网络的模型，包含算法。最终，深度学习有些类似一门学科。

相比神经网络和深度学习到底是什么，如何更好的使用深度学习的技术，传统机器学习当中的技术来实现一些应用更为重要。如果没有使用神经网络的模型，没有使用深度学习的算法，但是得到了一个更好的关于机器学习的结果，也挺好。

神经网络和深度学习是当前AI领域应用很广泛的技术，属于深度学习用的一种技术，以前还有很多类似的技术，支持向量机，随机森林等。

而深度学习目前来看就是神经网络，以往说的神经网络是浅层的。现在随着数据量的增长和计算能力的提高，已经可以训练多层的神经网络，这个多层的神经网络就叫深度学习。

深度学习的兴起源于一场比赛，imagenet，这场比赛给参赛者提供100多万张图片，分为猫狗汽车等等一共一千个类别，另外还有几万张没有提供标识的图片(图片里也覆盖了所有的这一千个类别)，需要参赛者根据这些图片设计一个系统，使得这个系统可以识别出那几万张没有标识的图片里是什么，就是给每张图片分到一千个类别里。2012面一个深度学习系统在给它喂了比赛方提供的100万张图片后，在没有标识的图片上识别的准确率达到了前所未有的高度，完全吊打其它模型，于是深度学习崛起了。

现在深度学习已经广泛应用在图像，文本，语音等领域。

简单的说，AI是个大课题，深度学习是其中一种技术，深度学习现在的表现形式就是多层神经网络。

人工智能的兴起，使得神经网络、机器学习、深度学习成了关于人工智能资讯中出现频率最高的三个词汇。由于太过抽象不像实物那样直观，让大众理解起来确实很吃力。

神经网络源于生物学术语。神经网络也可以拆成神经和网络两个词来理解，神经指的的单个神经元，它的的运作过程就是输入刺激、处理刺激、做出反应三个步骤。网络指的是无数个单个神经元组成的彼此关联的整个系统。以这个思路理解人工智能中的神经网络，就是组成神经网络中的无数个单元接收数据，通过与特定的阀值进行比较处理数据，产生数据输出，这些数据参与到整个运算网络中来，达到获得特定结果的目的。

深度学习是以神经网络为基础演化而来概念。举个例子来说，就是给机器大量的三角形图片，通过特定模型让机器总结出勾股定理，当再出现三角形的某些数据，掌握深度学习的人工智能，就能够根据勾股定理算出三角形的其他数据。深度学习的过程就是借由大量数据，找出数据规律，自主建立处理数据的模型，当再出现数据时，迅速对数据进行分析处理以及判断，找到对人类有用的信息。只不过深度学习要处理的是更加复杂的情况，看起来似乎像人一样学会思考，比机器学习更具有自主性。

我是海微，告别纷繁冗杂的科技术语，用最接地气的语言，带你了解最新的科技资讯

AI（Artificial Intelligence），全称叫人工智能，是一种基于计算机的多学科交叉的新兴科学技术。它的意义跟我们想象中的一样，它能够代替人类做很多繁重的工作。

而神经网络和深度学习，则是实现人工智能的方式，未来可能用神经网络实现我们想象中的人工智能，也可能以深度学习的方式实现。也就是说，人工智能是目标，而神经网络和深度学习是方法。

那神经网络和深度学习有什么区别呢，相信你已经略知一二，他俩是两种不同的方法。这两种方法既有相同点又有不同点。

人工神经网络是生物学里根据人的大脑里神经元的运转方式而抽象总结出来的一种方法，其特点是通过不断迭代、负反馈的方式求最佳解的过程。

深度学习的概念正是源于神经网络，在神经网络的基础上其含有多个隐含层和多个感知器。深度学习像一种贪心算法，追求从最低层找到一个事物的多种表达方式，比如一幅图像，最简单直接的形式是表达成像素点的形式。同样，图像也可以表达为各种轮廓的边构成，由颜色构成，梯度构成或者更高一层次的元素如：四肢、棱、柱子等构成。在这个基础上对事物进行分类辨别。

从广义上讲，深度学习也是神经网络的一种。传统的神经网络只有输入层、隐含层、输出层。但深度学习则是在多层神经网络的基础上还有特征学习部分，这就是我上面讲的对信息的分级处理。

关于神经网络和深度学习，我尽量用一个通俗易懂的方式来解答吧。

因为如果用比较专业的语言来描述的话，可能看完了也还是不懂是什么，这样就没啥意义了。

先说说神经网络

神经网络分为两种：

一种是生物的，例如：人、猫、狗

还有一种是我们人造的，因为我们能造出聪明一点的机器人。

那人的神经网络是什么样的呢？

我们打开我们的生物书，里面就会有这样的图，这是一个神经元的结构图。

举个例子：我们的皮肤其实就连接着各种各样的神经末梢，然后我们摸了一个东西，然后我们的神经末梢就将摸到的这种感觉变成了一种生物电，然后通过神经纤维（就是上图中黄色的一节一节的东西）传递到了细胞体中，而神经元细胞体存在于我们的脑和脊髓中。

那我们人体有千千万万条这样的神经元，这些神经元就构成了我们人体的神经网络。

我们人也就是通过神经网络，来感知世界的。

那人工神经网络又是怎么回事呢？

其实，人工神经网络也就是通过模拟人的神经网络架构，而设计出的一套计算机的神经网络算法。

例如：我们在读一封邮件的时候，我们怎么判断它是垃圾邮件呢？

可能是，看到题目里面有某个特定的词，那它就是垃圾邮件，或者内容中出现一些词，他就是垃圾邮件。

那我们把这封邮件丢到我们人造的神经网络里面，然后我们的众多神经元都接收到了邮件里的拆分出来的词汇，然后各个神经元去判断这个邮件的内容，最后汇总一个答案。

这个案例就是一种最最简单的神经网络的应用场景。

那这些词汇，我们叫做输入，在第一层的神经元中，我们已经包含了很多的特征（例如某个关键词），根据输入是否存在这种特征，我们做出判断，那是不是垃圾邮件，我们给出一个答案，0代表不是，1代表是，0和1我们成为输出。

那第一层神经元的输出，作为了第二层神经元的输入，第二层神经元只有一个，我们可以给第二层神经元也定一个特征，例如：有一个输入是1，那就是垃圾邮件。

那最终，我们就可以判定这个邮件是否是垃圾邮件了。

那什么是深度学习呢？

原理我们就不讲了，我们只需要知道，深度学习是在神经网络的发展中被研究出来的一种算法模型。

就用刚才我们的邮件来举例吧。

我们在讲述邮件的时候，提到了一个东西，特征，但是我们刚才的描述中，并没有明确这些特征是怎么来的。

那深度学习呢，就可以问我们解决这个问题。

例如：我们找到一个小孩子，让他看一封邮件，他其实并不知道这个邮件是不是垃圾邮件。

但是这个没有关系，我们就找出很多很多这样的邮件来，然后告诉这个小孩子，这封是垃圾邮件，这封不是垃圾邮件。

慢慢的，这个小孩子就能够从这一堆邮件中，提取出垃圾邮件的特性。

可能最开始他提取了一些特性，但是我们让他学习的过程中，他回答我们这个是垃圾邮件，但是我们告诉他，这个不是垃圾邮件，他就会将这种特性的判断结果做相应的调整。

慢慢的，随着他学习的深度，他给出的答案就越准确。

而这个学习的过程，其实就是深度学习了。

小结

简单的知识我们就讲这么多，如果大家真的对神经网络和深度学习感兴趣的话，可以去看看李宏毅教授的《1天搞懂深度学习》，一个ppt，还比较易懂。

要学习神经网络，深度学习，最重要的就是学好数学，所以，好好学习才能天天向上。

深度学习难吗

深度学习是有难度的，毫无疑问。

(1) 首先要选择合适的学习内容。既不可以太简单，缺乏挑战性；也不能过难，影响积极性。

(2) 制定合理的学习目标。确定投入多少学习时间，每次学习时长，要达到什么样的学习结果。

(3) 挑选相对安静的环境。不受外界嘈杂声音的影响，不受其他事情影响，保证专心的学习环境。

(4) 持之以恒的坚持。能否坚持决定了能否彻底实现目标，对一个人意志力的考验。

(5) 专业的指导。不要闭门造车，更不要想当然自己觉得怎么样有效果，有专业的指导能做到事半功倍的效果。

所谓的深度学习，就是发现自己，倒空自己，认识自己，认识自己是心高的人，符合我心的我就接受，不符合我心的我就难受或者丢弃，海洋为什么水多？因为海拔最低，不管你是小溪，还是河流，或者是江河你们经管的来吧！都可以容纳，并不因为你是小溪我不接受，【都可以接收（受）】，大部分人都是学习（事），没有学习（德）（道）（心）【如果学习先从（心）（道）（德）（事）】这个顺序学习就不怎么难了。【一切的教育先从娃娃抓起，这是根】【人一生的果效都是由心发出，一切的一切取决于心】

深度学习不难，前提一是我们急需深度学习，其二是我们找到了可以支撑我们深度学习的素材！比如我个人，在做公立学校教师招聘的英语学科笔试课程，受众是平均年龄26岁的大学毕业生或非公立在职老师，那么毫无疑问，要拿下这个课程，我就急需深度学习；其二，学习素材，跟业内人士学习了五六轮都没能拿下，最后机缘巧合，找到了合适的学习素材，发现深度学习真的不难，学到忘我境界，学到欲罢不能，学到念念不忘，学到超越自我！所以符合以上两条，深度学习不难！

深度学习，是机器学习的子集。这几年比较热，因为人工智能热的原因。主要看开发者的场景，你是应用深度学习库去解决应用问题，还是依照原理开发深度学习库，还是开发深度学习原理。研究方向不同，难度不同，难度是递增的。第一个层次，相对容易，如果有耐心和软件开发基础，因为谷歌，facebook,百度，阿里，华为都有开源库；第二个层次，你就对标了上述公司的工程师大拿；第三个层次，就是对标上述公司及学术界的大神。自己掂量一下后，再说难易，或许你就是那个百年不遇的武林奇才，拯救世界和平就靠你了！

难度当然肯定有的，这个自学基本不可能，肯定要找培训机构专业学的，可以去中公教育的IT优就业了解下，他们最近出了这个学习，我朋友之前在中公学过编程，他们教学质量还是可以保障的，我朋友最近也要了他们试听课程，我朋友说还不错，上课老师是中科院的老师，讲的知识点很细致，我朋友学过编程所以听得懂，问过我朋友零基础的能学嘛，我朋友说建议有Python基础好学一些，不过中公的课程会送这个Python课程，你可以去了解下。