隨著AI的突破持續吸引公眾注意，人們開始不加區別地使用“人工智能”、“機器學習”、“深度學習”等術語。然而，了解這些術語的區別，有助于把握AI技術的發展趨勢。

人工智能同心圓

我們可以把這三個術語想象成三個同心圓，其中人工智能包含了機器學習，機器學習又包含了深度學習。

簡單來說，有一些任務，傳統上認為需要通過人類認知活動才能完成，開發執行這些任務的計算機系統，即為人工智能。

而機器學習則是創建從大規模數據集中學習模式，并提供洞見的系統。機器學習本身可以分為三大類：

監督學習（supervised learning），理解一組數據點和標簽之間的關系，并在未標注的數據點上給出預測。例如，分類是否會出現不良貸款，預測未來股價。

無監督學習（unsupervised learning）則直接基于數據集的相似特征識別有意義的模式。例如，根據購物行為的相似程度聚類消費者。

強化學習（reinforcement learning）讓智能體在定義良好的環境中選擇可能的行動，并最大化目標函數（獎勵）。我們可以把自動駕駛看成一個強化學習問題，在公路上（環境）自動行駛的汽車（智能體），最大化其目標——不要出事故（獎勵）。

最后，深度學習是一種機器學習技術，該技術利用大規模數據和多層神經網絡以理解數據集的模式。最近在計算機視覺和語音識別等領域的AI突破都是由深度學習研究以及算力的日常商品化驅動的。

什么是卷積神經網絡？

深度學習有眾多架構和技術，以適應不同的使用場景，其中一種主要的架構和技術是卷積神經網絡。卷積神經網絡，受到哺乳動物視覺腦皮層方面的研究的啟發，參考了哺乳動物使用不同層次的神經元感知世界的方式。可以將這一模型想象成視覺皮層的模型，專門設計的不同神經元組識別不同的形狀。每個神經元組看到相應目標后激活，并和其他神經元組互相交流，以發展出感知目標的總體理解。

這一系統可以解釋為分層的神經元組，檢測輸入刺激的低層特性，并互相交流，以發展對目標的高層檢測。

第一組神經元結構識別低層特征（例如，臉部的輪廓）

第二組神經元結構識別顏色和形狀（例如，膚色和頜骨轉角）

第三組神經元結構識別細節（例如，耳朵、鼻子、眼睛）

第四組神經元結構整體識別整個目標（例如，臉部和對應之人）

簡單來說，看到給定目標后，系統中的不同神經元組因目標的不同方面而激活，并互相交流以形成整體圖景。

Yann Lecun從這一視覺腦皮層的層次模型中汲取了靈感，研發了卷積神經網絡：

局部連接：每層共享一個連接，以互相傳遞所學特征。

層次結構：在不同網絡層之間有一個很明顯的層次結構——從低層特征（例如，鼻子，眼睛）到高層特征（臉部、具體的人）。

空間不變性：模型可以適應輸入的平移等變換，仍然能夠完成識別。（人類能夠識別顛倒或經過其他變換的圖像。）

因此，卷積神經網絡的架構如下圖所示：

典型的卷積神經網絡架構

其中，輸入數據為四維矩陣（樣本數字，高，寬，頻道）。其中頻道對應色彩，彩圖有3個頻道（R、G、B），而灰度圖像只有1個頻道。

輸入數據將連接到一個隱藏層（卷積層），應用多個任意尺寸（通常為3x3或5x5）的過濾器至圖像。可以將過濾器想象為一個大小為3x3（或5x5）的小手電，照在輸入圖像上，嘗試提取特征映射。基于特征映射，算法可以理解數據中的局部特征（眼、耳……），不管其位置如何（平移不變性）。如下圖所示：

池化是一個降采樣操作，通過應用任意尺寸（步長）的窗口，在窗口中根據用戶指定，提取和、最大值、平均值，以降低提取的特征映射的維度。在下面的示意圖中，我們使用的是最大池化，在特征映射的2x2窗口中提取最大值。這一技術有助于在保留信息的前提下降低維度。

最后是傳統的全連接層，對卷積習得的表示進行softmax操作，并輸出預測。簡單來說，全連接層包含觀察到特定模式后會“點亮”的節點。

從直覺上說，卷積神經網絡將圖像作為輸入，嘗試使用一系列數學運算（卷積、池化）辨認不同的小特征（局部連接），不管其位置如何（空間不變性），以理解整個圖像的內容。這些數學運算牽涉到建模圖像為一系列數字，其中每個數字表示像素亮度（假設輸入為灰度圖像）。

實例

我們的數據集是72x72網格中的一組幾何圖形（三角形、圓形、矩形）。由于這些是灰度圖像，因此它們只有一個頻道。下面是一些樣本：

我們將使用python的Keras包實現一個卷積神經網絡，該網絡在分類這些形狀時可以達到98%精確度。

導入依賴：

import numpy as np

import keras

from keras importSequential, optimizers

from keras.layers importDense, Activation

from keras.callbacks importEarlyStopping

from sklearn.metrics import confusion_matrix, accuracy_score

from keras.layers importConv2D, MaxPooling2D, Flatten, Dropout

from keras.utils import np_utils

生成訓練數據集和測試數據集：

[X_train, Y_train] = generate_dataset_classification(1000, 20, True)

[X_test, Y_test] = generate_test_set_classification()

根據keras的要求轉換標簽至類別矩陣，并重整訓練集中圖像的形狀：

Y_train = keras.utils.to_categorical(Y_train, 3)

X_train = X_train.reshape(1000,72,72,1)

構建模型：

conv_model = Sequential()

conv_model.add(Conv2D(16, (5,5), activation = 'relu', input_shape = (72,72,1)))

conv_model.add(MaxPooling2D((2,2)))

conv_model.add(Conv2D(16, (5,5), activation = 'relu'))

conv_model.add(MaxPooling2D((2,2)))

conv_model.add(Conv2D(16, (5,5), activation = 'relu'))

conv_model.add(MaxPooling2D((2,2)))

conv_model.add(Flatten())

conv_model.add(Dense(3, activation = 'sigmoid'))

編譯、訓練模型：

conv_model.compile(optimizer = 'Adam', loss = 'categorical_crossentropy')

conv_model.fit(X_train, Y_train, validation_split = 0.3, epochs = 100, batch_size = 32)

重整測試集數據的形狀，在測試集上進行預測，并評估精確度：

X_test = X_test.reshape(300,72,72,1)

predictions = conv_model.predict_classes(X_test)

print("精確度評分為 {} %".format(accuracy_score(Y_test, predictions) * 100))

結果：

精確度評分為 97.33333333333334 %

結語

卷積神經網絡代表了圖像識別中的重大突破。卷積神經網絡在自動駕駛汽車，人臉識別系統，醫學診斷等場景都有廣泛應用。然而，值得注意的是，卷積神經網絡仍有提升的空間，而卷積網絡的適用領域也出現了一些新技術，比如膠囊網絡。