Google大脑工程师详解：深度学习技术能带来哪些新产品？

提及深度自学，你可能会想起认猫、认脸，或者下围棋、翻译成……只不过，这项技术还要用在很多你意想不到的地方。那么，“深度自学的最新进展能带给哪些产品上的突破？”Quora上就有这样一个问题，而GoogleBrain的研究工程师EricJiang也得出一个最低拜的答案。下面就是Jiang的问，大周末的，让我们一起来涨涨姿势：DeepLearning是指包括以下特征的一类机器学习技术：·大规模神经网络（包括百万级的权利变量）；·高性能计算出来（上千个分段处理器）；·大数据（例如百万级的彩色图像、棋谱等）目前，深度自学技术早已在众多领域超过了先进设备水平，例如视觉、声音、机器人、自然语言处置。

深度自学最近的进展吸取了统计资料自学［1，2］、强化自学和数值优化的思想。关于这个领域的概况，闻参考文献［9，10］。我下面所列一些利用目前的深度自学技术才有可能构建的产品类别，名列不分先后：自定义化数据压缩、传输感官、数据驱动的传感器校准、离线AI、嵌入式、游戏、艺术助手、非结构化数据挖掘、语音合成。

自定义化数据压缩假设你在设计一个视频直播应用于，期望用一套有损编码方案来增加必须向互联网上载的包在。你可以用H．264这样现成的编码解码器，但是H．264并不是最理想的解决方案，因为它是为标准化视频校准的，也就就是指猫咪视频到故事片都能用。

转用为FaceTime视频而校准的编解码器可能会更佳，因为当我们利用了“屏幕中间总是有张脸”这一点，能省下更加多流量。然而，设计一个这样的编码方案是有可玩性的。我们要怎样解释脸在什么方位，视频对象有多少根眉毛、眼睛是什么颜色、下巴是什么形状等等特征？如果头发阻挡了眉毛怎么办？图像中没脸或者有多个人的脸怎么办？这时候，深度自学就派上用场了。自动编码器是一种神经网络，只是它的输入和输出数据一样而已。

自学这个“乘积同构（identitymapping）”之所以最重要，是因为这个自动编码器的隐蔽层神经网络比输出层要小。这个“信息瓶颈”被迫自动编码器在隐蔽层中自学一种数据的传输回应（compressedrepresentation），这种传输回应还将被神经网络的其它层解码返完整形态。通过末端到端的训练，自动编码器等深度自学技术可以适应环境你数据的细微差别。

不同于主成分分析法（PCA），编解码步骤不不受（线性）透视的容许。PCA自学的是一种“编码线性变换”，自动编码器自学的是“编码程序”。这让神经网络更为强劲，能用作更加简单的、特定领域的传输，从在Facebook上存大量自拍下读取速度更慢的YouTube视频，科学数据压缩再行到减少你个人iTunes资料库所占到的空间，都能用上这种技术。设想一下，假如你的iTunes资料库为了让你的音乐较少占到一点空间，它有可能专门自学一种“乡村歌曲编码器”哦！传输感官传输感官和有损压缩的解码方面密切涉及。

很多有意思的信号都有特定的结构，也就是说，信号的产于并不几乎是给定的。这解释实质上，我们不必须为了提供信号的极致修复而在奈奎斯特无限大取样，只要我们的解码算法可以正确地找到它的结构。

本文来源：3833金沙-www.arturadeszko.com