大热的深度学习，我们该如何看待呢？

相信，大家仍然记得大热科幻片中，天网对人类的统治。正因如此，深度学习作为一种科学技术，才被摆上一个充满舆论争议的位置上——乐观的人认为攻克智能奇点的堡垒马上就要实现，悲观的人则畏惧高科技带来的束缚与毁灭而惶惶不可终日。那么，到底我们应该怎样看待hit爆的深度学习呢？大圣众包威客平台（www.dashengzb.cn）与你一起探讨。

一、深度学习有多deep

从概念上说，作为传统机器学习中神经网络（NN）、感知机（perceptron）模型的扩展延伸，正是深度学习（DL），或说深度神经网络（DNN）的表现形式。

单看DNN近几年在科技界惊人且频频引发议论的成果，就可以看出它的前途无可限量。DNN在众多应用领域的成功毋庸置疑。譬如，能和人对话的语音助手，能“读懂”照片内容的图像识别系统，甚至是引发滔滔议论的能击败围棋世界冠军的AlphaGo……有着结构过于错综复杂、性质难以分析的“黑盒子”特质的深度学习，引发了学术界的众多顾虑和好奇，而正因研究人员对DNN的火热的好奇心以及孜孜不倦的钻研能力，使得DNN的研究成果正以惊人的速度增长。

其实，站在客观的角度上看，DNN和K-Means、稀疏编码（sparsecoding或Lasso）、主成分分析（PCA）等众多基础的模型并无什么不同，都是属于机器学习中特征学习（featurelearning）的范畴。因此，无需过于惊慌地把DNN划分到天网、人工智能终点，甚至是上帝的位置去。如果一定要说DNN有什么过人之处，一字记之曰——深。

二、学者争相研究

为了理解DNN有多deep以及其工作原理，自2013年起，已经不断有学者从不同的角度研究DNN和各类传统机器学习模型之间的内在关系，这些传统机器学习模型包括小波分析、高斯过程、条件随机场、稀疏表示等。这些在科研上的努力，甚至可能从传统模型的分析方法中掘得金矿，为DNN的理论框架添砖加瓦，让其不断朝着远方发展。

三、深度学习的优势

从深度学习掀起的铺天盖地的热潮中反观，它固然有自身的优势：

1.端到端（end-to-end）的训练方式，让以往模型分模块训练（hierarchical）、各模块没有彼此优化的劣势被克服了；

2.动辄成百上千万的空前庞大的参数（parameter）量，远远超过以往任何模型的参数数量级，极大增强了模型对于复杂映射（mapping）的表达能力；

3.它具有有效训练如此巨大模型的一套手段。在GPU高性能计算、无穷无尽的tricks（如dropout、batchnormalization等），以及大数据产业发展的大力推动下，深度学习被推上了浪潮尖端。

四、深度学习的劣势

尽管深度学习在应用上取得了巨大的成功，但是，理论缺失、“沙上筑塔”的隐忧让它颇为人诟病。由于DNN本身函数的高度非线性和非凸性，免不了会受困于求解算法本身的粗糙和经验化上，因此，传统方法的优良性质和可解释性在DNN中可谓之无，着实遗憾。

Anyway，深度学习既有自身的优势，也有自身的劣势，但是瑕不掩瑜。在大数据产业高速发展、“互联网+”大力助力之下，深度学习仍将继续火爆下去。