深度學習是AI研究的一個重要方向，最近看了不少相關資料，不免有些感悟這里寫出來給大家分享。

一、深度學習是基礎服務

深度學習可以類比于云計算，很多人看不懂、看不明白，只知道好像很厲害。其實與當年的云計算有點類似，喧囂和泡沫過后，現在回看云計算的本質其實就是“基礎服務”。這個基礎服務是整個社會的一次升級，阿里云誕生于2009年，也正是第三次互聯網浪潮的元年。

云計算誕生之前，一個企業要提供某項互聯網服務要做什么？

1）買服務器

2）買專線

3）開發軟件

4）尋找客戶

云計算誕生之后呢？考慮商業模式就行了，因為前面所有步驟都可以直接買到，甚至有非常成熟的方案提供。

1）服務器：各種云可以租虛擬主機，一個月最低30-40元

2）專線：虛擬主機送公網IP

3）開發軟件：各行各業都可以直接買到SAAS服務，一鍵定制你的APP、網站、辦公系統、財務軟件等等，費用最低99元/月

4）尋找客戶：各大平臺一鍵營銷，精準廣告投放

最重要的是，所有這些關鍵要素都統一在一個“云”平臺上，創業者只需要考慮好自己的商業模式能不能掙錢就行了。所以09年以后，大家普遍感覺創業的人更多了，許多人一夜暴富，但是更多人感覺干啥都掙不到錢，因為互聯網“門檻”太低了！

一個小店想接入APP點餐、在線支付、甚至是同城營銷，以前最低50萬起步，代碼修修改改上線得一年。現在呢？上阿里云點幾下，一個月99全部搞定！這就是整個社會的基礎服務升級。然后我們就發現，更多的創業者都在“模式創新”，因為基礎設施已經太完善了，可以說云計算的普及不亞于高鐵的成就！

我們再看看“深度學習”，現在能看到的應用不外乎就是PP圖、模仿聲音、圖片識別等等，實際上大部分人沒看到的是它的“跨界屬性”。09年之前我們可以將賣云吞的小老板與互聯網關聯起來嗎？現在可以了，你進了一家小店，微信掃一下，從點單、買單、上菜全部小程序搞定，老板只需要做好云吞就行了，這就是基礎服務升級的魅力。

現在你能將“深度學習”與這個云吞店關聯起來嗎？恐怕不能。那我們設想這樣一個場景：你走到云吞店門口，猶豫是要吃云吞呢還是隔壁的小面，就在這時，AI通過走路的姿勢和眼神判斷你可能是潛在新客戶并且在猶豫，立即在門口的大屏幕上顯示“新客立減5元”，我想很多人是阻擋不了這種優惠的。那云吞老板說了，我可以掛個招牌寫上撒。如果這時候是個老客戶呢，一看新客優惠老客戶沒優惠啦，是不是人家要去吃隔壁小面了。AI來處理就好辦了，一看是胖子，屏幕上立即顯示云吞個頭大、蝦量足、今天加量還有優惠。一看是瘦子，屏幕就顯示薺菜云吞健康好吃，小份的只要10元。等等，這不就是個高級營銷嘛？是的，AI這時就是實現了高級營銷。那店老板做下營銷研究，在后臺設置一些參數來識別新老客戶，并且有針對性地寫一些營銷方案行不行呢？自然是可以的。但是換個店怎么辦？賣小面的是不是要重新做一下研究重新制訂方案呢？賣水餃呢？是不是所有店老板都得是營銷專家才行啊。

有了云計算小店老板不用編程一樣接入互聯網，同樣的，有了深度學習小店老板不懂營銷一樣是營銷大師。而且深度學習的關鍵魅力在于，它不需要任何的營銷知識，只需要通過學習和自我迭代就能變成你的專屬營銷專家，這就要從深度學習的基本原理講起了。

二、深度學習的基本原理

深度學習與機器學習的最大區別在于，學習過程中是不需要有“人”的，也就是它能自我迭代和進化，很神奇嗎？其實還好，下面我們詳細講講。

上圖是身高與體重對應的統計圖，紅色是女性，藍色是男性。可以看到身高與體重大體是正相關的，也就是身高越高體重越重。機器學習的辦法就是錄入大量的身高體重數據，然后去除“噪音”，做一些加權運算最終得到一個大體合理的預測模型，如下圖：

這個模型自然是有一點合理性，但是基本沒有實用意義，因為“特征”太少。

下圖是一個風暴預測圖，科學家發現風暴的形成與溫度、濕度可能有一定相關性，于是他們把大量歷史數據輸入到機器學習的模型里，最后得到溫濕度與風暴形成的數學模型，以后使用時只需要輸入當前溫濕度就能得到風暴形成的概率值。這里的溫度和濕度就是這個模型的“特征”。

前面例子的核心問題就是，必須得有個科學家來輸入“特征”，而且特征越多模型也就越準確，那么一個模型是否準確的關鍵就在于特征是否足夠、數據量是否充足，還得有個“科學家”來尋找和輸入特征。一個模型的成功與否與人的經驗其實是正相關的。

到了深度學習神奇的事情就發生了，我們只需要數據量而無需輸入特征，因為它自己給自己把特征找出來了！我們以人像識別（從多張圖片中識別出包含人臉的圖片）為例簡單講一下原理，下圖比較經典了，大概描述了深度學習的基本過程，但是很多人看的有點糊涂，這里我們就詳細解釋下。

第一張圖：即是要學習的圖片

第二張圖：深度學習先從圖片中提取出各種“邊”，即有明暗變化的部分。這里叫第一層特征

第三張圖：將各種“邊”進行隨機組合，能得到眼睛、鼻子、耳朵。這叫第二層特征

第四張圖：將上面的眼睛、鼻子、耳朵再次進行組合，即能得到看起來像是人臉的圖片。這叫第三層特征

如果輸入足夠多的圖片，我們就能得到足夠充分的特征庫（保留各層相似的，去掉各層不相似的）。如此，當你胡亂輸入一些圖片時，AI通過特征庫就能判斷那些是人臉那些不是了。深度學習的厲害之處就在于特征庫的學習完全是自主實現的，而機器學習需要人為去輸入這些特征。深度學習的“深度”之處就在于你可以使用更多層次，提取更加精準的特征，最終的效果就是人臉識別、隨機人臉生成、無縫PS等等。

三、深度學習的優勢

綜上，深度學習的優勢就在于它擺脫了經驗與“專家”，無論什么人只要掌握了該技術就變得比行業專家還要專家。比較實際的應用就包括：

1）一鍵換頭，不會PS也能變成PS神人

2）一鍵去除背景，同上

3）模仿特定聲音，人人都是調音師

4）隨機生成貓圖，天天吸貓不是夢

這些軟件的創作者都不是相關專家，大部分還都是這個研究方向的學生。相信很快就會有通用的平臺讓每個人都可以“深度學習”起來。