昨天為大家推薦了幾本入門深度學習的必看書籍，錯過的朋友請戳這裡。
在入門學習深度學習之前，有必要先了解一下深度學習的工作原理。著名程式猿小哥 Radu Raicea 特意為入門學習者寫了一篇文章，利用一個票價預測工具的例子解釋深度學習的工作原理，不需要有多高深的數學知識，人人都能看懂。
當前，人工智慧和機器學習應該是最火爆的話題了，你估計經常聽到有很多程式猿朋友說要去學 AI，很多公司宣佈要應用AI技術，可是很多人其實並沒有完全理解人工智慧和機器學習。因此 Radu Raicea 覺得在解釋深度學習原理之前，我們有必要了解幾個基本術語，就當一個入門小測驗好了：
你知道啥是機器學習嗎？
機器學習指機器能夠學習利用大資料集學習而不是硬編碼規則，它是人工智慧的核心，是使計算機具有智慧的根本途徑，主要使用歸納、綜合而不是演繹。
機器學習能讓電腦自我學習，這種學習型別得益於現代計算機強大的處理能力，可以輕易地處理大資料集。
你知道啥是監督學習嗎？
監督學習應用了包含輸入值和期望輸出值的標記資料集。
當用監督學習訓練AI的時候，我們需要給它輸入值，並告訴它期望輸出值。如果AI生成的輸出值有誤，它會調整自身計算。這個過程會隨著資料集的更新而不斷迭代，直到AI不再犯錯。
監督學習的一個典型應用就是天氣預報AI應用。AI利用歷史資料學習如何預測天氣。訓練資料包括輸入值（氣壓、溼度、風速等）和輸出值（溫度等）。
你知道啥是無監督學習嗎？
無監督學習就是使用沒有具體結構的資料集。
當使用無監督學習方法訓練AI時，需要讓AI對資料進行分類。
無監督學習的一個應用例子就是為電商網站預測消費行為。AI沒有利用標記過的輸入值和輸出值資料集，相反它會對輸入資料自己分類，從而能讓網站知道顧客最喜歡買什麼東西。
為啥要講這兩個概念呢？
因為監督學習和無監督學習正是深度學習中的兩種學習方法。
祝賀你通過入門小測驗，現在我們開啟深度學習的大門。
深度學習的概念源於人工神經網路的研究，是機器學習研究中的一個新的領域，目的是建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。
作為一種機器學習方法，深度學習能讓我們用給定的輸入值訓練AI預測輸出值。監督學習和無監督學習都能用來訓練AI。
我們來看看 Radu Raicea 怎樣用製作一個票價預測小工具的例子解釋深度學習的工作原理，然後用監督式學習的方法訓練它。
首先我們希望這個票價預測工具能用以下輸入值預測票價（在這裡先不考慮往返機票）：
-
出發機場
-
到達機場
-
出發時間
-
航線
神經網路
我們來看看AI的大腦——神經網路。 和動物一樣，這個票價預測AI的大腦也有神經元。下圖中的圓圈代表神經元，它們相互連線：
神經元被分為三種不同的層級：
-
輸入層（input layer）
-
隱藏層（可能有多個）（hidden layer）
-
輸出層（output layer）
輸入層接收輸入資料。在我們的票價預測AI中，輸入層有4個神經元：出發機場，到達機場，出發日期和航線。輸入層收到這些資訊後會傳遞給第一個隱藏層。
隱藏層會對輸入資料進行數學運算。如何決定隱藏層的數量、以及每層神經元的數量仍是構建神經網路的挑戰。
深度學習中的“深度”倆字指的就是神經元中有不止一個隱藏層。
最後，輸出層會返回輸出資料，在這個例子中，就是AI預測出票價。
所以，這個AI工具到底是怎麼計算出預測票價的呢？
當然是靠神奇的深度學習。
神經元之間的每個連線都和權重（weight）緊密相關，它決定了輸入值的重要性。初始權重是隨機設定的。 當預測某個航班的機票價格時，出發日期是最重要的因素之一，因此，出發日期神經元之間的連線會有很大的權重。
每個神經元都有一個啟用函式。如果沒有一定的數學知識，很難理解這些函式。不過，這篇文章面向入門者的，所以這裡不再講解深奧的數學知識。
簡單來說，這些函式的目標之一就是將神經元的輸出值“標準化”。
一旦一組輸入資料通過神經網路的所有層級，AI會通過輸出層返回輸出值。
這不難理解，對吧？
訓練神經網路
深度學習中最難的部分就是訓練AI，為什麼？
-
你需要大資料集。
-
你需要有滿足訓練所需的強大的計算能力。
拿我們要做的票價預測AI來說，我們需要有歷史機票價格的資料。而且因為機場和出發日期的組合有很多種可能，因此這個票價列表資訊會非常龐大。
要訓練AI，我們需要為它提供來自資料集中的輸入值，然後將AI的輸出值與資料集的輸出值相比較。由於AI還沒有接受訓練，因此輸出值會有很多錯誤。
一旦將整個資料集中的所有資料輸入完成，我們可以建立一個函式，為我們展示AI的輸出值與真正的輸出值差距有多大。這個函式就叫做“代價函式”（Cost Function）。
理想狀態下，我們希望代價函式為零，但是隻有AI的輸出值和資料集的輸出值一樣的時候，才代表達到了這個狀態。
那問題來了，怎樣降低代價函式？
我們上文中提到了“權重”這個東東，還記得嗎？在減少代價函式的操作中，權重起著至關重要的作用。改變神經元間的權重可以調整代價函式，我們可以隨機改變它們直到代價函式接近0，但這種方法效率很低。
在這種情況下，一種叫做梯度下降（Gradient Descent）的神器隆重出場。
梯度下降是一種尋找函式最小值的方法，我們要找到機票價格模型中代價函式的最小值，就要靠梯度下降。
梯度下降的工作原理是在資料集的每次迭代後，以很小的增量改變權重。通過計算確定權重代價函式的導數(或梯度)，我們就能發現朝哪個方向可以找到最小值。
要想將代價函式最小化，我們需要多次迭代資料集，這就是為什麼剛才說需要有強大的計算能力。
利用梯度下降更新權重可以自動完成，這就是深度學習的魔力所在！等我們訓練完機票價格預測AI工具後，我們就可以用它來預測未來的機票價格了！
哦對了，神經網路也有很多型別，不同的AI使用的神經網路也不同，比如計算機視覺技術採用的是卷積神經網路（Convolutional Neural Networks），自然語言處理用的是迴圈神經網路（Recurrent Neural Networks）。
想學習更多知識？
瞭解深度學習的工作原理只是學習深度學習的第一步，我覺得接下來可以先看吳恩達在coursera上開設的深度學習課程 。
集智再補充一些資源，我們曾整理了一批機器學習、深度學習的網路資源，少年請拿去：戳這裡
最後對深度學習做個總結：
-
深度學習需要神經網路模仿動物的智力。
-
一個神經網路中有三種神經元層，即輸入層、隱藏層（可有多個層級）和輸出層。
-
神經元之間的連線與權重有關，它決定了輸入值的重要性。
-
將啟用函式應用到資料中，可以使神經元的輸出值“標準化”。
-
要訓練神經網路，你需要一個大資料集。
-
迭代資料集和將AI輸出與資料集輸出進行對比，將產生一個代價函式，顯示AI的輸出與真實輸出之間的差異。
-
資料集的每一次迭代後，神經元之間的權重會通過梯度下降的方式，降低代價函式的值。
深度學習的工作原理，這下理解了吧，那就快入坑學習吧！
但是如果害怕自己基礎不好，學習AI技能感到吃力，怎麼破？沒關係！！
假如你是真正的小白，但又希望能以最高效的方式學習人工智慧知識，我們這裡正好有個免費學習AI的機會，讓你從零到精通變身AI工程師，不瞭解一下？
機會傳送門：戳這裡！！
這可能是正點趕上AI這班車的最好機會，不要錯過哦。