新時代高科技不計其數越來越發達，小伙伴們看過不少科技新聞吧，在我們生活中應該也用到很多這些高科技東西，有哪些小伙伴值的關注的呢，今天就跟大家分享一篇有關科技方面知識，希望大家會喜歡。

深度學習是指使用分層神經網絡創建人工智能的技術，非常類似于人腦的簡化復制品。

它適用于更大的機器學習技術系列，旨在教授機器基于其自身的確定來分析數據，而不是使用由人為特定任務構建的預定義算法。

深度學習方法松散地基于大腦的新皮層，在一系列路徑中安排分析節點以使數據在其間流動，基本上將它們連接在分層節點的網狀網絡中 - 盡管它無法完全復制復雜的系列多層連接，使大腦成為如此強大的計算機。

該方法提供的分析能力有助于為未來技術提供動力，例如無人駕駛汽車，幫助他們識別道路標志，或者以他們的方式區分物體。

深度學習模型可以實現高水平的準確性，有時超過人類級別的性能，并且通常通過使用包含許多層的大量標記數據和神經網絡架構來訓練。

了解AI及其分類

人工智能的想法并不新鮮。事實上，早在18世紀就有人工智能的記錄，機器的威脅變得像人類(或更多)在2001年的電影中廣泛普及：太空漫游 和 終結者。

但是這些概念不再是電影中捕捉到的想法 - 它們越來越成為日常生活的一部分，隨著超智能聊天機器人和應用程序等技術的引入，機器智能可能會超越人類智能 - 而且它是未來不會太遠。

“人工智能”這個術語對于描述機器為自己思考的廣泛概念很有用，但實際上，當我們開始關注這項技術時，這個術語實在太松散了。人工智能本身可以分為兩個不同的研究領域：一般和狹義(或應用)AI。

一般AI，顧名思義，指的是能夠執行人類本來能夠執行的任何任務的系統的研究和設計。由于對大規模自動化和殺手機器人的崛起的擔憂，它可能是人工智能最常見的解釋，也是導致最歇斯底里的一種解釋。正如您可能已經意識到的那樣，迄今為止，該領域的成功相當有限。

另一方面，狹窄的人工智能則更為成功。這個領域不是專注于構建一個能夠模仿人類的系統，而是著眼于能夠比任何人更好地執行特定任務或任務集的構建機器。

一個很好的例子是人工智能公司Luka設計的聊天機器人，它是為了自動分析和回應發送給羅馬Mazurenko的文本和社交媒體消息而建立的，后者是最近去世的Luka開發人員之一的密友。聊天機器人的任務是分析前四年的數據，以建立對Mazurenko過去互動的印象。使用這些數據，它能夠使用Mazurenko的風格回復消息，反映他的語氣和語言。

不可否認，這是一個相當令人毛骨悚然的例子，但它表明，雖然狹窄的人工智能并不一定與普通的人工智能保持同樣的野心，雖然它肯定不像科幻夢想的殺手機器人那樣先進，但它有助于復制一定程度的人類智慧。

由于機器學習，這在很大程度上是可能的。使用機器學習原理構建的算法用于訓練狹窄的AI系統以從他們處理的數據中學習，而不是僅使用預設指令復制人類動作的機器。

例如，在系統試圖識別生日氣球的圖片的情況下，可以教導機器使用預定義的例程，例如一個用于檢測形狀，一個用于識別數字，另一個用于分析顏色。在早期的機器學習模型中，系統將采用這些人工編碼的例程并開發算法，以幫助它學習正確識別對象。

雖然這對人工智能的發展來說無疑具有開創性，但模型中的缺陷很快浮出水面。最大的問題是使用預定義的分析程序，這需要在此過程中輸入太多人力資源。對于難以處理的照片，例如模糊的面部或物體，也存在問題。

那么深度學習如何適應?

模型已經吸取了我們對人類大腦的理解，這在今天被稱為深度學習。

術語“深”指的是分層神經網絡的構造，類似于位于大腦內的互連神經元的網格。與大腦不同，大腦的行為類似于3D網絡，其中任何一個神經元都能夠與其附近的任何其他神經元交談，這些人工網絡運行分層結構，具有連續路徑的層層連接以允許數據流動。一種稱為反向傳播的技術可調整這些網絡中節點之間的權重，以確保傳入數據點通向正確的輸出。

研究人員希望重建大腦復雜的分析過程。每個層不僅用于分析數據，還每次都提供額外的上下文。當對象穿過每一層時，可以獲得更準確的圖像并理解它。

在氣球示例中，圖片將被分解為其組成部分，無論是它的顏色，表面上的任何編號或字體，它所保持的形狀，以及它是否被保持或在空中飛行。然后通過第一層神經元分析每個部分，進行判斷，并將其傳遞到下一層。

這在打擊欺詐方面尤其有效。例如，系統可以被設計為識別欺詐性帳戶活動，涉及首先獲取原始數據的神經網絡，然后在通過時添加上下文信息，例如交易值和位置數據。

雖然有些網絡可能只有幾層，但一些程序，包括谷歌的AlphaGo-- 在2016 年擊敗了中國棋盤游戲Go的冠軍玩家- 有數百個。當然，這需要巨大的計算能力，盡管神經網絡一直是早期AI先驅的野心，但 直到最近 它仍然是不切實際的。

當今許多最先進的機器學習系統都使用神經網絡來處理數據。由于深入學習，最近在無人駕駛汽車行業取得了成功，而原則也被部署在國防和航空航天領域，以便從太空中識別物體。

雖然深度學習的潛力巨大，但在涉及更像人類的任務時卻存在局限性。深度學習擅長模式識別，就像復雜但固定的Go規則一樣。但研究人員指出，教授機器所需的大量訓練數據只是一套特定的規則。

在目前的發展階段，深度學習似乎不可能執行人類相同的精細，適應性思維過程，但是技術繼續以相當快的速度發展。