目前科技发展速度非常快，对于智能设备来说将是一个发展方向，其实我们想的智能设备并不具备我们这样的学习能力。他们通过无数的图片、视频发现其中的学习秘密，然后逐渐向智能化发展。其中最为人熟知的一个词是深度学习，但大多数人难道不知道什么是深度学习吗。如何保持深度学习。其实简单地说，就是计算机芯片的深度挖掘，可以使芯片通过长时间的作业达到深度维持学习。

首先，深度学习这个词并不是被我们人类使用的。如果要让人类的深度学习崩溃，这是一个非常巨大的工程。我们现在把机器芯片作为生命体的存在来考虑，但是他们的才智非常差，他们想要学习以达到高水平，所以要时刻保持工作并发现。那时需要从外部给予无数的例子。他们能够掌握其秘密，这就是目前人工智能识别图像的功能来源。

他们一天看了无数的图像，才有了识别的功能，这实际上就像非常挖矿一样，芯片需要不断地长时间工作，一直挖着大山一样的存在，我们人类可以休息，但是他们不行，他们是机器快速进展需要时时刻刻学习，这就是所谓的深度学习。

在这里其实我们平时可以看作是挖矿人，可以用显卡挖矿，一张显卡做不到，很多显卡做为一个工作室，来的同时也需要挖矿，但这也非常耗费小费的寿命这样的显卡一般都不能保证寿命，说句题外话，就是不建议懂电脑的人买矿卡，便宜但没什么保证，说不知道什么时候玩游戏就突然挂了。这没有什么修理，不要贪图这么小的便宜。

深度学习的词语

韦编三绝：WWéi biān sānjuné，韦编：竹简用生牛皮绳编织，三：表示概数，多次，绝：断。编竹简的毛线断了三次。比喻读书勤奋。谓语，宾语，指人读书勤奋。

科技词语有哪些

形容科技的词语一般如下。

深奥

可靠的

不可思议的

先进的

最前线

高端

日新月异，突飞猛进，瞬息万变，一日千里，完美无瑕

，越来越精进，技术精湛，鬼斧神工，精妙绝伦

希望能帮助你，满意地接受吧！

什么是深度学习

阿尔法随着狗狗、自动驾驶、智能翻译的出现，“人工智能”这一存在了60多年的词汇，似乎一夜之间再次成为热门词汇。同时，在科技圈和企业界被广泛提及的是“机器学习”、“深度学习”、“神经网络”……但是，在这种喧嚣的气氛下，几乎所有人都不了解这个领域，这是事实。

如果说有资格谈论目前正在进行的“人工智能革命”，那么特伦斯·谢诺夫斯基（Terry Sejnowski）必然是其中之一。

当智能翻译、无人驾驶、狗、微软被认为是来自天边的愿景时，谢诺夫斯基已经为深度学习领域奠定了基础。

Professor Terry Sejnowski.

Image: Salk Institute

谢诺夫斯基1980年代挑战人工智能主流构建方法的一小撮研究者之一。他们认为，脑生物学触发的、被称为“神经网络”、“连接主义”和“并行分布处理”的AI实现方法，最终解决了困扰基于逻辑的AI研究的难题，提出了一种可以从数据中学习技能的数学模型。正是这一小群研究者，证明了基于脑式计算的新方法是可行的，为“深学习”的发展奠定了基础。

以《深度学习：智能时代的核心驱动力》一书出版为契机，美国科技媒体《The Verge》采访了《特伦斯·谢诺夫斯基》，与他讨论了“人工智能”、“神经网络”、“深度学习”、“机器学习”的区别。为什嚒“深度学习”突然无处不在，能做什嚒。不能做什么？以下是采访全文：

《深度学习：智能时代的核心驱动力》

中信出版集团2019.2

Q：首先，我想问一下定义。“人工智能”、“神经网络”、“深度学习”、“机器学习”等词语几乎都是可互换使用的。但这些是不同的。你能解释一下吗。

人工智能可以追溯到1956年的美国，那时工程师们决定编写一个试图模仿智能的计算机程序。

在人工智能中，一个新的领域正在成长，被称为机器学习。不是按顺序编写一个程序来做某件事，这是人工智能的传统方法，它收集了大量关于你正在试图理解的事情的数据。例如，假设您想要识别对象，您可以收集大量的图像。然后，通过机器学习，这是一个可以分析各种特征的自动化过程，可以确定一个物体是汽车，另一个是订书机。

机器学习是一个非常大的领域，它的历史可以追溯到更古老的时期。最初，它被称为“模式识别”。随后，算法在数学上变得更广泛和复杂。

机器学习有大脑启发的神经网络，然后是深度学习。深度学习算法具有特定的体系结构，其中有多层数据流动的网络。

基本上，深度学习是机器学习的一部分，机器学习是人工智能的一部分。

Q：有没有什么可以“深度学习”而不能进行其他项目的情况。

编写程序非常费劲。在过去，计算机如此缓慢，内存非常昂贵，人们采用逻辑，即计算机的工作原理编写程序。他们通过基础的机器语言操作信息。电脑太慢了，计算太高了。

但是现在，计算能力越来越便宜，劳动力也越来越高。然后计算能力变得如此便宜，慢慢地，计算机学习比让人类写程序更有效。那时，深度学习将开始解决在计算机视觉和翻译等领域无人编写程序的问题。

机器学习是计算密集型的，但只需编写程序，给出不同的数据集，就可以解决不同的问题。而且你不需要是领域专家。因此，对于任何存在大量数据的应用程序，都有相应的大量应用程序。

Q：“深度学习”现在随处可见。它是如何变得如此主导潮流的呢。

我可以从历史上准确地找到这一特定时刻：2012年12月NIPS会议（这是最大的AI会议）于是，计算机科学家Geoff Hinton和两名研究生表示，他们可以使用ImageNet这个非常大的数据集，包括10000个类别和1000万个图像，使用深度学习可以减少20%的分类错误。

通常，此数据集会在一年内将错误减少到不到1%。在一年内完成了20年的研究。

这真的打开了潮水的大门。

Q：深度学习的灵感来自大脑。那么，计算机科学与神经科学这一领域是如何协同工作的呢。

深度学习的灵感来源于神经科学。最成功的深度学习网络是Yann LeCun开发的卷积神经网络（CNN）

从CNN的架构来看，它不仅连接了很多单元，而且基本上是以镜像大脑的方式连接起来的。大脑中研究的最好部分在于视觉系统，在视觉皮质的基础研究工作中，表明那里存在着简单复杂的细胞。从CNN架构来看，你会发现它有一个简单的细胞和一个复杂的细胞等价物。这直接来自我们对视觉系统的理解。

Yann没有盲目复制皮质。他尝试了许多不同的变奏曲，但最终收敛的方法与自然收敛的方法相同。这是一个重要的观察。自然和人工智能的趋势可以教会我们很多，并探索更多。

Q：我们对计算机科学的理解取决于我们对大脑的理解程度吗。

我们现在的AI大部分都是基于对60年代大脑的理解。我们现在了解更多，更多的知识被纳入架构。

AlphaGo，这个打败围棋冠军的程序不仅包括皮质模型，还包括大脑的一部分，被称为“基底神经节”的模型，这对于制定一系列决策来达到目标非常重要。有一种叫做Richard Sutton在80年代开发的时间差分算法，与深度学习相结合，可以做出人类从未见过的非常复杂的玩法。

一旦你开始了解大脑的结构，了解如何将其整合到人工系统中，你就会提供超过你现在所拥有的功能。

Q：人工智能对神经科学也有影响吗？

并行运行。创新的神经技术已经取得了很大的进步，从记录一个神经元到同时记录数千个神经元，涉及到大脑的很多部分，这完全开创了一个全新的世界。

我说人工智能和人类智能之间有相同的趋势。随着人们了解大脑是如何工作的，这些认识会反映在AI上。但同时，他们实际上创建了一个学习理论来了解大脑，分析成千上万的神经元和他们的活动是如何产生的。所以在神经科学和人工智能之间存在着这个反馈循环，我认为这更令人兴奋和重要。

问：你的书讨论了从汽车自动驾驶到金融交易，各种深度的学习应用。你觉得哪个特定领域最有趣。

我完全被震撼到的一个应用是生成对抗网络，或称GANS。使用传统的神经网络，你给出一个输入，你得到一个输出。 GAN能够在没有输入的情况下开展活动