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

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?