人工智慧， 作爲電腦迷信的一個分支。
從1956年冬季麥卡賽、明斯基、羅切斯特和申農等一批有真知灼見的年老迷信家初次提出， 到2006年機器學習泰斗Geoffrey Hinton和他的先生RuslanSalakhutdinov在《迷信》上宣佈了一篇開啟深度學習在學術界和工業界浪潮的文章， 50多年工夫， 有數迷信家提出了很多機器學習的演算法， 試圖讓計算機具有與人一樣的智力程度， 但直到2006年深度學習演算法的成功， 才帶來了一絲處理的希望。
過來的十年， 從穀歌大腦項目到百度深度學習研討院， 從國度4部委結合制定《“互聯網+”人工智慧三年舉動施行方案》到教育部門論證“智慧迷信與技術”作爲一級學科，
1、深度學習演算法大大提升了人工智慧在語音、圖像處置等使用層面的精確度；
2、存放裝置的容質變得越來越大， 獲取海量資料（無論是圖片、文字、買賣資訊， 還是地圖資料）的本錢越來越低；
3、GPU的開展使平行計算變得速度更快、本錢更低、功能更弱小。
以後的電腦迷信範疇， 人工智慧、機器學習、深度學習是大家常常提到的詞， 但它們之間的關係是什麼呢？
人工智慧是使用範圍的詞彙， 機器學習是一種完成人工智慧的辦法， 深度學習是機器學習的子類， 也是現無機器學習辦法中， 最見效的一類。
機器學習使用最成功的範疇是電腦視覺， 包括人臉辨認、指紋辨認、圖像檢索、目的跟蹤等。 隨著資訊技術和智慧技術的飛速開展， 全球視覺資料正在出現爆炸式增長， 而視覺資料規模的添加也是深度學習可以很好地處理視覺成績的重要要素。
爲什麼深度學習之前， 傳統的電腦視覺演算法在人臉辨認、跟蹤、目的檢測等諸多範疇沒有到達深度學習的精度呢？我們首先回歸到電腦視覺成績自身， 如下圖：
電腦視覺範疇的細分方向成百上千種， 比方圖像聯繫、目的跟蹤、人臉辨認、行爲剖析等等， 但這些方向的研討均契合上圖流程框架， 即， 將待處置的圖像或許視頻輸出設計好的演算法， 經過計算， 輸入後果。 以圖像聯繫爲例， 我們希冀演算法可以將圖像中的待聯繫目的，
傳統的電腦視覺演算法
關於傳統的視覺演算法來說， 大致可以分爲以下4個步驟：圖像預處置、特徵提取、特徵挑選、推理預測與辨認。 電腦視覺可以說是機器學習在視覺範疇的使用， 所以電腦視覺在採用這些機器學習辦法的時分， 不得不本人設計後面3個局部（相當於將處置器分拆成多個子功用處置器）。 但對任何人來說這都是一個比擬難的義務。
傳統的電腦辨認辦法把特徵提取和分類器設計分開來做， 然後在使用時再合在一同， 比方假如輸出是一個摩托車圖像的話， 首先要有一個特徵表達或許特徵提取的進程， 然後把表達出來的特徵放到學習演算法中停止分類的學習。
過來20年中呈現了不少優秀的特徵運算元， 比方最著名的SIFT運算元， 即所謂的對尺度旋轉堅持不變的運算元。 它被普遍地使用在圖像比對， 特別是所謂的structure from motion這些使用中， 有一些成功的使用例子。 另一個是HoG運算元， 它可以提取物體， 比擬魯棒的物體邊緣， 在物體檢測中扮演著重要的角色。 這些運算元還包括Surf、RIFT和GLOH， 都是在深度學習降生之前或許深度學習真正的盛行起來之前， 佔領視覺演算法的主流。
這些特徵和一些特定的分類器組合獲得了一些成功或半成功的例子， 根本到達了商業化的要求但還沒有完全商業化， 比方指紋辨認演算法、基於Haar的人臉檢測演算法、基於HoG特徵的物體檢測。 但這種成功例子太少了， 由於手工設計特徵需求少量的經歷，需求你對這個範疇和資料特別理解，然後設計出來特徵還需求少量的調試任務。說白了就是需求一點運氣。
另一個難點在於，你不只需求手工設計特徵，還要在此根底上有一個比擬適宜的分類器演算法。同時設計特徵然後選擇一個分類器，這兩者兼併到達最優的效果，簡直是不能夠完成的義務。
深度學習時代的電腦視覺
深度學習的前世
深度學習網路的最後原型是人工智慧範疇的大牛Lecun在1998年AT&T的實驗室時創造出來的，事先用這一網路停止字母辨認，到達了十分好的效果。說到這裡，我們不由要問，“似乎卷積神經網路設計也不是很複雜，98年就曾經有一個比擬像樣的雛形了。自在換算法和實際證明也沒有太多停頓。那爲什麼時隔20年，卷積神經網路才幹東山再起，佔領主流？”
這一成績與卷積神經網路自身的技術關係不太大，與其它一些客觀要素有關。
首先，深度卷積神經網路需求少量資料停止訓練。網路深度太淺的話，辨認才能往往不如普通的淺層模型，比方SVM或許boosting；假如做得很深，就需求少量資料停止訓練，否則機器學習中的過擬合將不可防止。而2006年開端，正好是互聯網開端少量發生各種各樣的圖片、視頻資料的時分（即視覺大資料開端迸發式地增長）。
另外一個條件是運算才能。卷積神經網路對電腦的運算要求比擬高，需求少量反復可並行化的計算，在事先CPU只要單核且運算才能比擬低的狀況下，不能夠停止個很深的卷積神經網路的訓練。隨著GPU計算才能的增長，卷積神經網路結合大資料的訓練才成爲能夠。
最初一點就是人和。卷積神經網路有一批不斷在堅持的迷信家（如Lecun）才沒有被緘默，才沒有被海量的淺層辦法吞沒。最初終於看到卷積神經網路佔領主流的曙光。
深度學習的今生
深度學習的概念由Hinton等人於2006年提出，具有地利天時人和的深度學習從此一發不可拾掇，其在電腦視覺的諸多範疇獲得的效果遠超傳統機器學習演算法，包括人臉辨認、圖像問答、物體檢測、物體跟蹤。
人臉辨認方面，任務比擬超前的是湯曉鷗教授，他們提出的DeepID演算法在LWF上做得比擬好。最新的DeepID-3演算法，在LWF到達了99.53%精確度，與肉眼辨認後果相差無幾。
物體檢測方面，2014年的Region CNN演算法、2015年的Faster R-CNN辦法、FACEBOOK提出來的YOLO網路、在arXiv上呈現的最新演算法叫Single Shot MultiBox Detector在辨認精度和速度上均與較大提升。
物體跟蹤方面，DeepTrack演算法是第一線上用深度學習停止跟蹤的文章，事先超越了其它一切的淺層演算法。爾後越來越多的深度學習跟蹤演算法提出。
由於手工設計特徵需求少量的經歷，需求你對這個範疇和資料特別理解，然後設計出來特徵還需求少量的調試任務。說白了就是需求一點運氣。另一個難點在於，你不只需求手工設計特徵，還要在此根底上有一個比擬適宜的分類器演算法。同時設計特徵然後選擇一個分類器，這兩者兼併到達最優的效果，簡直是不能夠完成的義務。
深度學習時代的電腦視覺
深度學習的前世
深度學習網路的最後原型是人工智慧範疇的大牛Lecun在1998年AT&T的實驗室時創造出來的，事先用這一網路停止字母辨認，到達了十分好的效果。說到這裡，我們不由要問，“似乎卷積神經網路設計也不是很複雜，98年就曾經有一個比擬像樣的雛形了。自在換算法和實際證明也沒有太多停頓。那爲什麼時隔20年，卷積神經網路才幹東山再起，佔領主流？”
這一成績與卷積神經網路自身的技術關係不太大，與其它一些客觀要素有關。
首先，深度卷積神經網路需求少量資料停止訓練。網路深度太淺的話，辨認才能往往不如普通的淺層模型，比方SVM或許boosting；假如做得很深，就需求少量資料停止訓練，否則機器學習中的過擬合將不可防止。而2006年開端，正好是互聯網開端少量發生各種各樣的圖片、視頻資料的時分（即視覺大資料開端迸發式地增長）。
另外一個條件是運算才能。卷積神經網路對電腦的運算要求比擬高，需求少量反復可並行化的計算，在事先CPU只要單核且運算才能比擬低的狀況下，不能夠停止個很深的卷積神經網路的訓練。隨著GPU計算才能的增長，卷積神經網路結合大資料的訓練才成爲能夠。
最初一點就是人和。卷積神經網路有一批不斷在堅持的迷信家（如Lecun）才沒有被緘默，才沒有被海量的淺層辦法吞沒。最初終於看到卷積神經網路佔領主流的曙光。
深度學習的今生
深度學習的概念由Hinton等人於2006年提出，具有地利天時人和的深度學習從此一發不可拾掇，其在電腦視覺的諸多範疇獲得的效果遠超傳統機器學習演算法，包括人臉辨認、圖像問答、物體檢測、物體跟蹤。
人臉辨認方面，任務比擬超前的是湯曉鷗教授，他們提出的DeepID演算法在LWF上做得比擬好。最新的DeepID-3演算法，在LWF到達了99.53%精確度，與肉眼辨認後果相差無幾。
物體檢測方面，2014年的Region CNN演算法、2015年的Faster R-CNN辦法、FACEBOOK提出來的YOLO網路、在arXiv上呈現的最新演算法叫Single Shot MultiBox Detector在辨認精度和速度上均與較大提升。
物體跟蹤方面，DeepTrack演算法是第一線上用深度學習停止跟蹤的文章，事先超越了其它一切的淺層演算法。爾後越來越多的深度學習跟蹤演算法提出。