Page 95 - 基于深度学习的人工智能技术研究

第三章 深度学习理论与实践

迭代更新进行深度学习，并使其训练的结果无限接近真实值。训练过程中，学习
路径通过梯度的不断下降，并运用统计学方法进行有效优化。目前在社会发展历
程中，深度学习已经在计算机视觉、自动控制和自动驾驶等方面得到了充分运用，
推动了图像识别技术的发展。

2. 深度学习的发展
机器学习的发展历程中，基于人工神经网络算法的模型可以分为两部分：第
一个是浅层学习，第二个是深度学习。因为浅层学习时期，人工神经网络算法虽
然也被称为多层感知机，但由于多层网络训练困难，通常都是只有一层隐含层的

浅层模型。不能有效解决结构抽象与不能形式化描述等问题，所以推进了人们对
于深度学习算法的进一步研究。深度学习的快速发展，为多数领域带来正面影响，
采用卷积神经网络可以对于图像识别未来发展起到良好的推动作用。类似于传统
神经网络的卷积神经网络可以看成人脑神经结构的简单仿真，每层主要由大量的

神经元组成。整体可以分为三部分，分别是输入层、卷积层和池化层的组合以及
多层感知机分类器。在大数据背景下，深度学习发挥了其强大的功能，也还有许
多的深度网络模型以及多融合的神经网络发挥作用。深度学习在应用过程中可以
有效提升语音识别的精确度，通过交通标志的识别，可以在车辆检测时取得理想

效果。
3. 深度学习的展望
目前，深度学习快速发展的同时在各大行业或领域也得到了广泛应用。但是，
相关研究人员对深度学习的探索与研究还处在发展时期，还有很多问题需要人们

深入解决。例如，在模型结构方面，人的大脑结构是立体的，并且兼顾了平面层
分布与纵向排列，但现阶段人类使用的网络结构仅仅是平面结构。所以，为了深
入探索深度学习，相关研究人员希望可以在提高训练基础上保持速度，但是深度
学习结构网络较为复杂，由于其层次多并且有数据的影响，训练时速度也会受其

影响而被制约，所以如何在确保训练精准度的情况下依旧可以提升速度，还需要
相关研究人员进行深入探讨与研究。
（二）深度学习的深层结构优势
深度学习概念源自人工智能神经网络的研究，其在图像识别系统运用较广，

属于多层次感知结构体系，这也是其最大的优点，有关研究证实，如果针对某项
特定任务模型其深度不足，那么则会增加一些计算元素，也就需要多参数以及训

87