Page 121 - 基于深度学习的人工智能技术研究

第四章 深度学习下的人工智能技术

因为模型中的参数数量非常大，需要使用一些技巧来避免过拟合问题。
总的来说，深度学习技术已经成为人工智能领域中不可或缺的技术。它的应
用范围广泛，已经有许多商业化的产品基于深度学习技术开发。研究者们也在不
断推动深度学习技术的发展，提高深度学习技术的效果和稳定性，以期更好地服

务社会。

第二节 深度学习人工智能的发展

人工智能技术在计算机视觉和自然语言处理等领域取得的突破性进展，使得
人工智能迎来新一轮爆发式发展。而深度学习是实现这些突破性进展的关键技术。
其中，基于深度卷积网络的图像分类技术已超过人眼的准确率，基于深度神经网
络的语音识别技术已达到 95% 的准确率，基于深度神经网络的机器翻译技术已

接近人类的平均翻译水平。准确率的大幅提升使得计算机视觉和自然语言处理进
入产业化阶段，带来新产业的兴起。
深度学习是大数据时代的算法利器，成为近几年的研究热点。和传统的机器
学习算法相比，深度学习技术有着两方面的优势。一是深度学习技术可随着数据

规模的增加不断提升其性能，而传统机器学习算法难以利用海量数据持续提升其
性能。二是深度学习技术可以从数据中直接提取特征，削减了对每一个问题设计
特征提取器的工作，而传统机器学习算法需要人工提取特征。因此，深度学习成
为大数据时代的热点技术，学术界和产业界都对深度学习展开了大量的研究和实

践工作。
深度学习各类模型全面赋能基础应用。卷积神经网络和循环神经网络是两
类获得广泛应用的深度神经网络模型。计算机视觉和自然语言处理是人工智能
两大基础应用。卷积神经网络广泛应用于计算机视觉领域，在图像分类、目标检

测、语义分割等任务上的表现大大超越传统方法。循环神经网络适合解决序列信
息相关问题，已广泛应用于自然语言处理领域，如语音识别、机器翻译、对话系
统等。
深度学习技术仍不完美，有待于进一步提升。一是深度神经网络的模型复

杂度高，巨量的参数导致模型尺寸大，难以部署到移动终端设备。二是模型训练
所需的数据量大，而训练数据样本获取、标注成本高，有些场景样本难以获取。

113