AlexNet,alexnet _云知道

人工智能有什么用？

从AI的应用场景来回答下这个问题吧：北极32度高温、意大利葡萄牙罕见高温、环渤海的海参大量被热死....我们生活的环境正在慢慢失控。例如在过去的一个世纪里，非洲大陆上90%的大象消失。1993年以来，狮子的数量下降已经超过40%，阿里巴巴的工程师们借助物联网、云计算技术，构建了一个“动物可追踪、种群可分析、偷盗可预警、保护区可管理”智能野保平台。
这一计划将为大象佩戴感应颈圈，借助野外红外线摄像设备，对大象的状态以及重点区域进行实时了解，预测他们的行动路线，从而优化守护员的行动路线。同时通过AI也能对盗猎活动进行预警，这些技术被用于识别非法盗猎份子与车辆，实现自动识别和事前阻止盗猎行为，这也能让盗猎导致的死亡率下降30% 。其实在让世界变得更好这件事上，AI能做的还有很多，阿里巴巴的工程师在自己业余时间做了很多尝试。
疫苗事件发生后，阿里健康的工程师，连夜开发了一个“疫苗查询”功能。这一举动，让千千万万的人安了心。阿里巴巴的工程师还开发了移动打拐平台——“团圆”，找回儿童3000余名，找回率为97.6%，其中解救被拐卖儿童48名。一位名叫代立晨的阿里工程师还在两周时间里，通过大量的传感设备、网络设置、传输指令，帮助一位视障人士让改造了其69平米的房子，它“能听会看”，可以认识主人、陪伴主人、照顾主人。
深度学习“深”在哪里？

这个问题看似非常简单，很多专业的研究者可能都不重视，但是我真的发现社会中有很多误解。把深度理解成为更透彻，更彻底等概念。觉得这样的学习方法似乎能深刻的学习到很多精髓一样。但是在机器学习领域中，深度学习指的就是非常狭义的深度学习模型中的神经网络层数更多，并没有明确的定义，一般超过6层，就可称之为深度；而神经网络中的广度指的是隐含层神经元的数目。
当然，循环神经网络也被称为深度网络。但实际上是略有偏颇的。起初的神经网络，层数都少。主要受限于层数越多的网络，就意味着模型的参数越多，复杂度越高，那么其能完成的学习任务也更为复杂。但是在初期由于没有足够的数据导致训练容易过拟合、同时硬件条件比较差，训练一个较深的网络，往往很耗时。但是随着近几年云计算、大数据时代的到来，计算能力大幅度提高可缓解训练低效性,训练数据的大幅增加则可降低过拟合风险，因此以深度学习为代表的复杂模型才开始受到人们的关注。
那么为什么我们要让模型变深而不是变广呢？那是因为采取二者的目的是要让模型的复杂度提高，那么让模型变深比增加隐含层神经元的数据更有效。举个例子来说，给定100个神经元。5层神经，每层20个神经元，那么模型的参数为20^ 5=3.2*10^6；而10层神经，每层10个神经元，则模型的复杂度为10^10 。另外从层的角度，可以更好的理解深度学习的工作原理。
以CNN进行图片分类举例，其每一层都可以看作是一道工序，比如初始几层就是提取一些简单的特征如边缘，而后几层，则会将这些特征进行组合处理，生成更加高级的图案如直角、轮廓等，随着层数的加深，图案会越来越复杂，也就能提取到高层特征如人眼、鼻子等，最后再根据这些特征进行图像的分类。因此我们说深度学习就同人的思考一样，你深入探究这件事，经过深度思考，也就能更好的解决问题。