录：【 图片来源：Google 所有者：Google 】如今，深度自学在众多领域都有一席之地，特别是在是在计算机视觉领域。尽管许多人都为之深深著迷，然而，深网就相等于一个黑盒子，我们大多数人，甚至是该领域拒绝接受过培训的科学家，都不告诉它们到底是如何运作的。

大量有关深度自学的顺利或告终事例给我们上了宝贵的一课，教会我们正确处理数据。在这篇文章中，我们将了解剖析深度自学的潜力，深度自学与经典计算机视觉的关系，以及深度自学用作关键应用程序的潜在危险性。视觉问题的非常简单与简单首先，我们必须就视觉/计算机视觉问题明确提出一些观点。应以它可以这样解读，人们等价一幅由摄像机摄制的图像，并容许计算机问关于与该图像内容的涉及问题。

问题的范围可以从“图像中否不存在三角形”，“图像中否有人脸”等非常简单问题到更加简单的问题，例如“图像中否有狗在追赶猫”。尽管这类的问题看上去很相近，对于人类来说甚至有点微不足道，但事实证明，这些问题所隐蔽的复杂性不存在极大差异。

虽然问诸如“图像中否有红圈”或“图像中有多少亮点”之类的问题比较更容易，但其他看起来非常简单的问题如“图像中否有一只猫”，则要简单得多。“非常简单”视觉问题和“简单”视觉问题之间的区别无法界限。这一点值得注意，因为对于人类这种高度视觉简化的动物来说，上述所有问题都是足以沦为难题，即便是对孩子们来说，问上述视觉问题也并不艰难。

然而，处在变革时期的深度自学却无法回答这些问题。传统计算机视觉V.S.深度自学传统计算机视觉是普遍算法的子集，容许计算机从图像中萃取信息（一般来说回应为像素值数组）。目前，传统计算机视觉有数多种用途，例如对有所不同的对象展开去噪，强化和检测。一些用途目的找寻非常简单的几何原语，如边缘检测，形态分析，霍夫转换，斑点检测，角点检测，各种图像阈值化技术等。

还有一些特征代表技术，如方向梯度直方图可以作为机器学习分类器的前端，来建构更加简单的检测器。与广泛的观点忽略，上面辩论的工具融合在一起可以用上针对特定对象的检测器，这种检测器性能强劲，效率高。除此之外，人们还可以建构面部检测器，汽车检测器，路标检测器，在精准度和计算出来复杂性等方面，这些检测器很有可能高于深度自学。但问题是，每个检测器都必须由有能力的人从头开始建构，这一不道德陈旧又便宜。

因此，从历史上看，展现出优良的探测器只限于于那些必需常常被检测，并且需要证明前期投资是明智的对象。这些探测器中有许多是专有的，不向公众对外开放，比如人脸检测器，车牌识别器等等。但是，没一个心智长时间的人会花钱撰写狗探测器或分类器，以便从图像中对狗的品种展开分类。

于是，深度自学就为首上了用场。尖子生的启迪假设你正在教授计算机视觉课程，在课程的前半部分，你要率领学生们学好大量的专业知识，然后拔时间给学生已完成任务，也就是搜集图像内容并发问。任务一开始很非常简单，例如通过告知图像中否有圆形或正方形，再行到更加简单的任务，例如区分猫和狗。

学生每周都要撰写计算机程序来已完成任务，而你负责管理查阅学生撰写的代码，并运营查阅它们的效果如何。这个学期，一名新生重新加入了你的班级。他不爱人说出，不爱人社交，也没托过什么问题。

但是，当他递交自己的第一个任务方案时，你深感有点车祸。这名新生撰写的代码让人无法解读，你根本都没有见过这样的代码。看上去他看起来用随机的过滤器对每幅图像展开卷积，然后再行用十分怪异的逻辑来获得最后的答案。你运营了这段代码，效果十分好。

你心想，虽然这个解决方案非同寻常，但只要它有效地就充足了。几周过去了，学生们必须已完成的任务可玩性更加低，你也从这名新生那里获得了更加简单的代码。他的代码出众地已完成了可玩性日益减小的任务，但你无法确实解读其中的内容。

期末的时候，你给学生们布置了一项作业，用一组现实的图片来区分猫和狗。结果，没学生需要在这项任务上超过多达65％的准确率，但是新生撰写的代码准确率高达95%，你大吃一惊。你开始在接下来的几天中深入分析这些高深莫测的代码。你给它新的示例，然后展开改动，试着找到影响程序决策的因素，对其展开偏移工程。

最后你得出结论一个十分令人吃惊的结论：代码不会检测出有狗的标签。如果它能检测到标签，那么它就可以辨别对象的下部否为棕色。如果是，则回到“cat”，否则回到“dog”。如果无法检测到标签，那么它将检查对象的左侧否比右侧更加朱。

如果是，则回到“dog”，否则回到“cat”。你邀这名新生到办公室，并把研究结果呈圆形给他。你向他告知，否指出自己知道解决问题了问题？在长时间的绝望之后，他再一喃喃自语道，他解决问题了数据集表明的任务，但他并不知道狗长什么样，也不告诉狗和猫之间有什么有所不同……很显著，他作弊了，因为他解决问题任务目的和你想的目的牵涉到。不过，他又没作弊，因为他的解决方案显然是有效地的。

然而，其他学生的展现出都不怎么样。他们企图通过问题来解决问题任务，而不是通过原始数据集。虽然，他们的程序运行得并很差，推倒也没罪怪异的错误。深度自学的祝福和恶魔深度自学是一种技术，它用于一种称作梯度偏移传播的优化技术来分解“程序”(也称作“神经网络”)，就像上面故事中学者学生撰写的那些程序一样。

这些“程序”和优化技术对世界一无所知，它所关心的只是建构一组切换和条件，将准确的标签分配给数据集中于的准确图像。通过向训练集加到更好的数据，可以避免欺诈的偏差，但是，预示着数百万个参数和数千个条件检查，偏移传播分解的“程序”不会十分大，非常复杂，因此它们可以瞄准更加微小偏差的人组。任何通过分配准确标签，来统计资料优化目标函数的方法都可以用于，不管否与任务的“语义精神”有关。

这些网络最后能瞄准“语义准确”的先验吗？当然可以。但是现在有大量的证据指出，这并不是这些网络分内之事。忽略的例子指出，对图像展开十分微小的、无法察觉到的改动就可以转变检测结果。研究人员对训练过的数据集的新示例展开了研究，结果表明，原始数据集之外的一般化要比数据集内的一般化很弱得多，因此解释，网络所倚赖的等价数据集具备特定的低层特性。

在某些情况下，改动单个像素就不足以产生一个新的深度网络分类器。在或许上，深度自学仅次于的优势就是自动创立没有人不会想起的特性能力，这同时也是它仅次于的弱点，因为大多数这些功能最少在语义上看上去，可以说道是“怀疑的”。什么时候有意义，什么时候没意义?深度自学对于计算机视觉系统来说毫无疑问是一个有意思的补足。我们现在可以比较更容易地“训练”探测器来观测那些便宜且不切实际的物体。

我们还可以在一定程度上拓展这些检测器，以用于更好的计算能力。但我们为这种奢华代价的代价是高昂的：我们不告诉深度自学是如何作出辨别，而且我们显然告诉，分类的依据很有可能与任务的“语义精神”牵涉到。而且，只要输出数据违背训练集中于的低水平偏差，检测器就不会经常出现过热。

这些过热条件目前尚且不为人知。因此，在实践中，深度自学对于那些错误不是很相当严重，并且确保输出会与训练数据集有相当大差异的应用程序十分简单，这些应用于需要忍受5%以内的错误率就没问题，还包括图像搜寻、监控、自动化零售，以及完全所有不是“关键任务”的东西。具备嘲讽意味的是，大多数人指出深度自学是应用领域的一次革命，因为深度自学的决策具备实时性，错误具备根本性性，甚至不会造成可怕的结果，如自动驾驶汽车，自律机器人（例如，最近的研究指出，基于深层神经网络的自律驾驶员显然更容易受到现实生活中的对抗性反击）。

我不能将这种信念叙述为对“意外”的误会。一些人对深度自学在医学和临床中的应用于寄予厚望。

然而，在这方面也有一些令人担忧的找到，例如，针对一个机构数据的模型没能很好地检测另一个机构数据。这再度印证了一种观点：这些模型提供的数据要比许多研究人员所期望的更加深。数据比我们想象的要深出人意料的是，深度自学教会了我们一些关于视觉数据(一般来说是高维数据)的东西，这个观点十分有意思：在或许上，数据比我们过去指出的要“深”得多。或许有更加多的方法来统计资料地分离出来印有高级人类类别的可视化数据集，然后有更加多的方法来分离出来这些“语义准确”的数据集。

换句话说，这两组低水平的图像特征比我们想象的极具“统计资料意义”。这是深度自学的最出色找到。

如何分解“语义上合理”的方法来分离出来可用数据集模型的问题依然不存在，事实上，这个问题现在或许比以前更加无以问。结论深度自学早已沦为计算机视觉系统的最重要组成部分。

但是传统的计算机视觉并没跑到那一步，而且，它依然可以用来修建十分强劲的探测器。这些人工制作的检测器在某些特定的数据集度量上有可能无法构建深度自学的高性能，但是可以确保依赖输出的“语义涉及”特性集。

深度自学获取了统计资料性能强劲的检测器，而且不必须壮烈牺牲特征工程，不过依然必须有大量的标记数据、大量GPU，以及深度自学专家。然而，这些强劲的检测器也不会遭遇车祸的告终，因为它们的适用范围无法只能地叙述(或者更加清楚地说道，根本无法叙述)。必须留意的是，上面的辩论都与“人工智能”中的AI牵涉到。

我不指出像深度自学与解决问题人工智能的问题有任何关系。但我显然指出，将深度自学、特性工程和逻辑推理融合一起，可以在普遍的自动化空间中构建十分有意思和简单的技术能力。录：本文编译器自Piekniewskis blog(公众号：)录：【封面图片来源：网站名Google，所有者：Google】版权文章，予以许可禁令刊登。

下文闻刊登须知。

本文来源：KU体育BET9入口-www.whmxdn.com