最终的输出由这些权重共同决定 。因此，我们再来看看上面提到的停止标志示例 。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动 。神经网络的任务是判断这是否是一个停止标志 。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果 。
在本文的示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，等等 。网络架构然后会告知神经网络其判断是否正确 。不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法 。不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用 。
如果我们回到停止标志那个例子，很有可能神经网络受训练的影响，会经常给出错误的答案 。这说明还需要不断的训练 。它需要成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案 。不过值得庆幸的是Facebook 利用神经网络记住了你母亲的面孔；吴恩达 2012 年在谷歌实现了可以识别猫的神经网络 。
如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等 。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛 。强化学习强化学习(Reinforcement Learning),又称再励学习或者评价学习.也是机器学习的技术之一.所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大,由于外部给出的信息很少,强化学习系统必须依靠自身的经历进行自我学习.通过这种学习获取知识,改进行动方案以适应环境.强化学习最关键的三个因素是状态,行为和环境奖励.关于强化学习和深度学习的实例,最典型的莫过于谷歌的AlphaGo和AlphaZero两位了,前者通过深度学习中的深度卷积神经网络,在训练了大约三千万组人类的下棋数据,无数度电的情况下才搞出来的模型,而后者使用强化学习的方式,通过自己和自己下棋的方式搞出来的模型.而最终的实验结果也很让人震撼.AlphaGo干败了人类围棋顶尖高手,而AlphaZero干败了AlphaGo.强化学习（Reinforcement Learning），就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大 。
强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作 。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习 。
通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境 。总结人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法 。简单的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能 。_____________________________________________________________本文由挚金资本原创编译，本文作者 Michael Copeland 曾是 WIRED 编辑，现在是硅谷知名投资机构 Andreessen Horowitz 的合伙人 。
何为人工智能、机器学习和深度学习？三者间的关系又是如何？
深度学习是机器学习的一个分支，机器学习是人工智能的主要研究内容之一 。下面对这三个概念做一个概括性的描述，阐述这三个概念之间的内部联系 。首先从人工智能开始说起 。人工智能简单的说就是具备自主学习能力和决策能力的智能体，人工智能的概念是在1956年被提出的，经过60多年的发展，目前人工智能的研究领域被集中在自然语言处理、知识表示、自动推理、机器学习、计算机视觉和机器人学六个大的方面 。
推荐阅读
- s95，请问佳能S95是一款什么样的机型与索尼那款相比性价比高
- 夸克使用与冲突
- 学生学习平板电脑，小霸王学生k10平板电脑学习机好不好
- 高中所有数学公式，高中数学必修4重点公式与解题技巧或经典例题
- 太原中考，山西省中考与太原市的有什么不同
- 中山二手五菱观光车，峨眉山的进入与离开
- 1论数学文化的价值.doc,数学文化的价值与意义是什么意思
- 管理咨询与解决方案专业化服务提供商,领域
- 7900gtx，nvidia 7900GT与7900GTx有什么区别
- 小语种就业前景，学习小语种的就业前景