为什么现在可以进行深度学习

虽然深度学习在本世纪初开始流行，但它并不新鲜。神经网络的概念可以追溯到 1950 年代，当时第一个神经网络 Mark I Perceptron 被开发出来。

神经网络也在 1980 年代和 1990 年代进行了讨论，但由于其有限的性能以及它们的数据和计算要求而大多被忽视。当时，创建深度学习模型所需的数据和计算资源不可用。训练深度学习模型需要大量时间。其他方法在他们的要求和结果上更为现实。

目前，数据和计算都已变得广泛可用且价格低廉。有大量的 GPU 和专用硬件可以帮助以非常快的速度训练深度学习模型。有专门用于深度学习的云计算服务，例如 PaperSpace 和 Crestle。

深度学习的应用

深度学习目前已进入许多不同的领域。以下是深度学习的一些有趣应用：

自动驾驶汽车：为了在没有司机的情况下在街道上导航，自动驾驶汽车需要能够理解周围环境。深度学习算法从安装在汽车周围的摄像头获取视频信息，并检测路标、交通信号灯、其他汽车和行人。深度学习是无人驾驶汽车的主要组成部分之一(但不是唯一的)。

面部识别：面部识别目前用于许多不同的领域，例如解锁你的 iPhone、进行支付和寻找罪犯。该技术的先前迭代需要大量的手动工作并且不是很可靠。通过深度学习，面部识别系统只需要查看一个人的几张图像，它就能够实时且准确地检测到照片和视频中该人的面部。基于人工智能的面部识别由于其潜在的险恶用途，目前处于伦理辩论的中心。

语音识别和转录：训练有素的深度学习模型可以将音频流转换为书面文本，并且比以前的任何转录技术准确得多。深度学习使智能扬声器能够解析用户给出的语音命令。除了转录文本之外，深度学习还可以帮助区分不同人的声音并确定谁在说话。

机器翻译：在深度学习之前，自动翻译系统的质量非常有限，开发难度很大，需要为每个语言对单独努力。近年来，谷歌等科技巨头一直在使用深度学习来提高其机器翻译系统的质量。深度学习对人类语言的理解是有限的，但它在简单的翻译中仍然表现出色。

医学成像：深度学习模型可以帮助医生自动化分析 X 射线和 MRI 扫描的过程，并发现症状和诊断疾病。深度学习不会取代放射科医生，但肯定会帮助他们更好地工作。