序言
2017年12月底的上海湿冷依旧,收到贞原《深度学习:基于Keras的Python实践》的初稿,心里升起一股暖意。人工智能(AI)在2017年可谓家喻户晓,智能医疗、智能金融及无人驾驶变得不再遥远,而其背后的深度学习尤为功不可没,机器学习(ML)是一种实现人工智能的方法,深度学习(DL)则是一种实现机器学习的技术。
国务院于2017年7月出台了《新一代人工智能发展规划》,首次从国家战略的角度阐述对人工智能在产业、技术应用层面的发展展望,并提出了明确的时间表和线路图,规划提到:
前瞻布局新一代人工智能重大科技项目。
到2030年,中国人工智能产业竞争力达到国际领先水平。
人工智能核心产业规模超过1万亿元,带动相关产业规模超过10万亿元。
作为相关领域的从业者,深感任重道远,作为国家未来的发展方向,AI技术对于经济发展、产业转型和科技进步起着至关重要的作用,这里就不得不提“事情很多,人不够用了”,准确来讲应该是人工智能领域方面的专才不够用,据相关部门2017年的统计,此缺口应该在百万级以上。
配合国家发展战略,个别省份已经陆续将人工智能相关学习纳入中小学教育,而提到机器学习、深度学习,又不得不提Python,希望读者可以借鉴贞原的这本书为自己在人工智能的相关职业发展上打开一扇新的大门。
汤志阳(汤米)
IBM中国 副合伙人
IBM客户创新中心 认知及数据团队负责人
前言
深度学习是目前人工智能领域中炙手可热的一种机器学习技术。所谓人工智能是指通过机器模拟人类所特有的“看,听,说,想,学”等智能的科学技术。关于人工智能的研究起源于1956年,在美国的达特茅斯学院,著名的计算机科学家约翰.麦卡锡,及克劳德.艾尔伍德.香农等众多的科学家,齐聚一堂,各抒己见,共同探讨如何开发“智能机器”,在这次会议中提出了人工智能的概念,这也标志着人工智能的诞生。从人工智能的诞生,到深度学习的火热,人工智能也跌宕起伏经历了几个阶段,深度学习的发展一定会给产业和社会带来翻天覆地的变化。
人工智能的首次热潮是,1957年美国心理学家弗兰克?罗森布莱特在参照人脑的神经回路的基础上构建了最原始的信息处理系统,这一系统被称为神经网络。罗森布莱特将自己开发的神经网络系统命名为“感知器”。感知器实现了初级模型的识别功能,如区分三角形和四边形,并将其分类。然而,神经网络的研究很快遇到了瓶颈,美国AI科学家马文?李?明斯基运用数学理论证明了“感知器甚至不能理解异或运算”。这一发现使神经网络的研究热潮迅速冷却。
20世纪60~70年代,研究员投身于“符号处理型AI”的研究,又称“规则库AI”。“规则库AI”是直接模拟人类智能行为的一种研究。20世纪80年代前半期,全世界范围内投入了大量的资金用于“规则库AI”的研究,所开发的系统称为专家系统。然而,因为现实生活的时间充斥着大量的例外和各种细微的差距,最终几乎没有一个专家系统能够物尽其用。从20世纪80年代末期开始,AI研发进入一段很长时间的低迷期,被称为“AI的冬天”。
在AI黯然退场的这段时间里,一种全新理念的AI研究悄然萌芽,这就是将“统计与概率推理理论”引入AI系统。在这种全新的AI理念中,不得不提贝叶斯定理,这是用来描述两种概率之间转换关系的一则定理。1990年之后,全球的Internet有了发展,大量的数据被收集,这让概率式AI的发展如虎添翼。另外,概率式AI也存在问题和局限性,首先,概率式AI不能真正地理解事物。其次,概率式AI的性能有限。
为了解决概率式AI的问题与局限,新一代的AI技术走入了人们的视野,这就是“深度神经网络”,又叫作“深度学习”,原本衰退的神经网络技术浴火重生。早期的神经网络的感知器只有两层,即信息的输入层和输出层。而现在的神经网络则是多层结构,在输入层和输出层之间还存在多层重叠的隐藏层。
目前,深度学习被广泛地应用在图像识别、自然语言处理、自动驾驶等领域,并取得了很高的成就。同时,随着物联网技术的发展,大量的数据被收集,为深度学习提供了丰富的数据,对深度学习模型的建立提供了数据基础。有了充分的数据做基础,利用深度学习技术就能演绎出更聪明的算法。在这一次AI技术的浪潮中,大量的数据为深度学习提供了材料,使深度学习得以迅速发展。对深度学习的掌握也是每一个AI开发者必需的技能。希望本书能为读者开启通往深度学习的大门。