入門學習深度學習之前，有必要先了解一下深度學習的工作原理。著名程序猿小哥 Radu Raicea 特意為入門學習者寫了一篇文章，利用一個票價預測工具的例子解釋深度學習的工作原理，不需要有多高深的數學知識，人人都能看懂。

當前，人工智能和機器學習應該是最火爆的話題了，你估計經常聽到有很多程序猿朋友說要去學 AI，很多公司宣布要應用AI技術，可是很多人其實并沒有完全理解人工智能和機器學習。因此 Radu Raicea 覺得在解釋深度學習原理之前，我們有必要了解幾個基本術語，就當一個入門小測驗好了：

你知道啥是機器學習嗎？

機器學習指機器能夠學習利用大數據集學習而不是硬編碼規則，它是人工智能的核心，是使計算機具有智能的根本途徑，主要使用歸納、綜合而不是演繹。

機器學習能讓電腦自我學習，這種學習類型得益于現代計算機強大的處理能力，可以輕易地處理大數據集。

你知道啥是監督學習嗎？

監督學習應用了包含輸入值和期望輸出值的標記數據集。

當用監督學習訓練AI的時候，我們需要給它輸入值，并告訴它期望輸出值。如果AI生成的輸出值有誤，它會調整自身計算。這個過程會隨著數據集的更新而不斷迭代，直到AI不再犯錯。

監督學習的一個典型應用就是天氣預報AI應用。AI利用歷史數據學習如何預測天氣。訓練數據包括輸入值（氣壓、濕度、風速等）和輸出值（溫度等）。

你知道啥是無監督學習嗎？

無監督學習就是使用沒有具體結構的數據集。

當使用無監督學習方法訓練AI時，需要讓AI對數據進行分類。

無監督學習的一個應用例子就是為電商網站預測消費行為。AI沒有利用標記過的輸入值和輸出值數據集，相反它會對輸入數據自己分類，從而能讓網站知道顧客最喜歡買什么東西。

為啥要講這兩個概念呢？

因為監督學習和無監督學習正是深度學習中的兩種學習方法。

祝賀你通過入門小測驗，現在我們開啟深度學習的大門。

深度學習的概念源于人工神經網絡的研究，是機器學習研究中的一個新的領域，目的是建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

作為一種機器學習方法，深度學習能讓我們用給定的輸入值訓練AI預測輸出值。監督學習和無監督學習都能用來訓練AI。

我們來看看 Radu Raicea 怎樣用制作一個票價預測小工具的例子解釋深度學習的工作原理，然后用監督式學習的方法訓練它。

首先我們希望這個票價預測工具能用以下輸入值預測票價（在這里先不考慮往返機票）：

出發機場

到達機場

出發時間

航線

神經網絡

我們來看看AI的大腦——神經網絡。 和動物一樣，這個票價預測AI的大腦也有神經元。下圖中的圓圈代表神經元，它們相互連接：

神經元被分為三種不同的層級：

輸入層（input layer）

隱藏層（可能有多個）（hidden layer）

輸出層（output layer）

輸入層接收輸入數據。在我們的票價預測AI中，輸入層有4個神經元：出發機場，到達機場，出發日期和航線。輸入層收到這些信息后會傳遞給第一個隱藏層。

隱藏層會對輸入數據進行數學運算。如何決定隱藏層的數量、以及每層神經元的數量仍是構建神經網絡的挑戰。

深度學習中的“深度”倆字指的就是神經元中有不止一個隱藏層。

最后，輸出層會返回輸出數據，在這個例子中，就是AI預測出票價。

所以，這個AI工具到底是怎么計算出預測票價的呢？

當然是靠神奇的深度學習。

神經元之間的每個連接都和權重（weight）緊密相關，它決定了輸入值的重要性。初始權重是隨機設置的。 當預測某個航班的機票價格時，出發日期是最重要的因素之一，因此，出發日期神經元之間的連接會有很大的權重。

每個神經元都有一個激活函數。如果沒有一定的數學知識，很難理解這些函數。不過，這篇文章面向入門者的，所以這里不再講解深奧的數學知識。

簡單來說，這些函數的目標之一就是將神經元的輸出值“標準化”。

一旦一組輸入數據通過神經網絡的所有層級，AI會通過輸出層返回輸出值。

這不難理解，對吧？

訓練神經網絡

深度學習中最難的部分就是訓練AI，為什么？

你需要大數據集。

你需要有滿足訓練所需的強大的計算能力。

拿我們要做的票價預測AI來說，我們需要有歷史機票價格的數據。而且因為機場和出發日期的組合有很多種可能，因此這個票價列表信息會非常龐大。

要訓練AI，我們需要為它提供來自數據集中的輸入值，然后將AI的輸出值與數據集的輸出值相比較。由于AI還沒有接受訓練，因此輸出值會有很多錯誤。

一旦將整個數據集中的所有數據輸入完成，我們可以創建一個函數，為我們展示AI的輸出值與真正的輸出值差距有多大。這個函數就叫做“代價函數”（Cost Function）。

理想狀態下，我們希望代價函數為零，但是只有AI的輸出值和數據集的輸出值一樣的時候，才代表達到了這個狀態。

那問題來了，怎樣降低代價函數？

我們上文中提到了“權重”這個東東，還記得嗎？在減少代價函數的操作中，權重起著至關重要的作用。改變神經元間的權重可以調整代價函數，我們可以隨機改變它們直到代價函數接近0，但這種方法效率很低。

在這種情況下，一種叫做梯度下降（Gradient Descent）的神器隆重出場。

梯度下降是一種尋找函數最小值的方法，我們要找到機票價格模型中代價函數的最小值，就要靠梯度下降。

梯度下降的工作原理是在數據集的每次迭代后，以很小的增量改變權重。通過計算確定權重代價函數的導數（或梯度），我們就能發現朝哪個方向可以找到最小值。

要想將代價函數最小化，我們需要多次迭代數據集，這就是為什么剛才說需要有強大的計算能力。

利用梯度下降更新權重可以自動完成，這就是深度學習的魔力所在！等我們訓練完機票價格預測AI工具后，我們就可以用它來預測未來的機票價格了！

哦對了，神經網絡也有很多類型，不同的AI使用的神經網絡也不同，比如計算機視覺技術采用的是卷積神經網絡（Convolutional Neural Networks），自然語言處理用的是循環神經網絡（Recurrent Neural Networks）。

最后對深度學習做個總結：

深度學習需要神經網絡模仿動物的智力。

一個神經網絡中有三種神經元層，即輸入層、隱藏層（可有多個層級）和輸出層。

神經元之間的連接與權重有關，它決定了輸入值的重要性。

將激活函數應用到數據中，可以使神經元的輸出值“標準化”。

要訓練神經網絡，你需要一個大數據集。

迭代數據集和將AI輸出與數據集輸出進行對比，將產生一個代價函數，顯示AI的輸出與真實輸出之間的差異。

數據集的每一次迭代后，神經元之間的權重會通過梯度下降的方式，降低代價函數的值。