深度学习起源于电子管计算机时代。|ai深度学习在机器翻译领域展现了它的才华

深度学习起源于电子管计算机时代。一看时间离我们很久远，但真正应用领域的普及还在继续。我们今天来学习和探讨AI深度学习的应用和发展。
1958年，康奈尔大学的弗兰克·罗森布拉特(FrankRosenblatt)设计了第一个人工神经网络。这后来被命名为“深度学习” 。 Rosenblatt知道这项技术超越了当时的计算能力。
他说:“随着神经网络连接节点的增加，传统的数字计算机将很快无法承担计算负载。 ”

文章图片
幸运的是，计算机硬件在过去几十年里进步迅速。这使得计算速度提高了大约1000万倍。
因此， 21世纪的研究人员能够实现神经网络。现在有更多的连接来模拟更复杂的现象。如今，深度学习已被广泛应用于各个领域：被用于游戏、语言翻译、医学图像分析等领域。
【深度学习起源于电子管计算机时代。|ai深度学习在机器翻译领域展现了它的才华】深度学习的崛起势头强劲，但其未来可能并不太平坦。 Rosenblatt担心的计算局限性仍然是笼罩在深度学习领域上空的乌云。如今，深度学习领域的研究人员正在挑战计算机的极限。
深度学习的工作原理
深度学习是人工智能领域长期发展的结果。早期的人工智能系统是基于人类专家给出的逻辑和规则。渐渐地，现在有了可以通过学习调整的参数。
今天，神经网络可以学习建立高度可塑的计算机模型。神经网络的输出不再是单一公式的结果。它现在使用着极其复杂的操作。一个足够大的神经网络模型可以适合任何类型的数据。
而实现深度学习的两种方法“专家系统方法”和“灵活系统方法”是有区别的。

文章图片
让我们设想停车的场景，我们自主控制停车则是系统甄别的方法，而采用车辆自主泊车则是灵活的系统方法，后者需要足够的数据（障碍物、车距、场景判定等）才能做出正确判断而停好车。
“专家系统方法”将指定重要的变量，并允许系统只检查这些变量。这种方法计算量小。因此，它得到了广泛的应用。但是，如果专家们不能确定关键变量，那么系统报告就会失败。
灵活系统解决问题的方法是检查尽可能多的变量。然后系统自己决定哪些是最重要的。
这需要更多的数据和更高的计算成本。此外，它的效率也不如专家系统。然而，如果有足够的数据和计算，灵活系统可以优于专家系统。
深度学习模型（系统）有大量的参数
深度学习模型（系统）被“过度参数化” 。这意味着可供训练的参数多于数据点。例如，一个图像识别系统神经网络可能有4.8亿个参数。然而，它只会使用120万张图像进行训练。
大参数的存在往往会导致“过拟合” 。这意味着模型太趋于训练数据集了。因此，系统可能会错过总体趋势，而得到细节。

文章图片
深度学习已经在机器翻译领域展现了它的才华。早期，翻译软件根据语法专家制定的规则进行翻译。在翻译诸如乌尔都语、阿拉伯语和马来语等语言时，基于规则的方法最初优于基于统计的深度学习方法。
但随着文本数据的增加，深度学习现在在各方面都优于其他方法。事实证明，深度学习在几乎所有的应用领域都是优越的。
巨大的计算成本
简单来说，科学家要提高深度学习模型（系统）的性能，就必须建立更大的模型。这些较大的模型将用于训练。然而，为训练建立更大的模型会有多昂贵呢?会不会因为太高负担不起，从而阻碍深度学习的发展?