深度学习笔记及Keras实现细节分析（一） 对机器学习与深度学习的理解

从开始学习深度学习领域到现在，差不多1年了，在自己的学习过程中，遇到了许多问题，开个博记录一些自己对这些问题的一些见解。希望自己能够不断进步，对深度学习更加精通。

机器学习

深度学习是机器学习的一个子领域，想了解深度学习，首先要对机器学习的概念、方法有一定的理解。
机器学习的概念，百度百科中这样写道：机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径。
关于机器学习，有许多优秀的博主写了入门心得，包括机器学习的起源，其概念的通俗解释，工作原理和简单的实现。本人就不自己全面对其描述了，推荐这一篇博客https://blog.csdn.net/qq_28168421/article/details/81351321，其讲解十分通俗易懂。

但在我自己开始学习时，即使是看完这些讲解，依然还是一头雾水。个人感觉，自己以前看过许多有关人工智能的科幻片，在理解人工智能时，总是会想起那些电影中的智能机器人，就像人一样，只是缺少一些情感而已。久而久之，形成了一种，人工智能就是造出一个像电影中一样的机器人，让其拥有自己的思维，像人类一样思考！所以一开始，看到机器学习是人工智能的核心，觉得非常兴奋，以至于学了机器学习的相关基础知识后，我傻了，这和我想的完全不一样。下面这张图很符合我前后的心情。

网上的所有文章，都是直接告诉你机器学习是什么，忽略了讲解机器学习和人工智能的关系，没有说明目前人工智能为什么是通过机器学习实现的，没有告诉初学者，人工智能不是真的造出智能（至少目前并不是）。

在我学习了一年后，我个人理解的人工智能，并不是人工创造的新智能（虽然未来可能真的实现，但目前还无法完成此任务），而是模拟人工的智能，即通过模仿人类思维形成的智能。这两者有着本质的区别，对接下来的理解有着很大的作用。我们知道，自然界中，人类的大脑、智慧是最顶级的，但不是说只有人类拥有智力。打个比方，猩猩也有智力，也有其智能，如果你让人和猩猩同时从香蕉和钻石里选择一个带走，那么猩猩很大概率带走香蕉，人类一定会带走钻石。
在这个例子中，我们可以很好的发现人工创造的新智能和模拟人类的智能的区别，前者面对这个例子，他可能拿走钻石，也可能拿走香蕉，因为它是不同于人类的智能，所采取的行为，有其自己的认知。而如果是模拟人类的智能，一定会做出和人类一样的思考，紧接着，拿走钻石。所以，我不认可许多文章中写的，让机器自己思考问题这句话。人类不是造物主，不能造出自然界其他有智力的生物。我们只是让机器模仿人类，让其做出人类通过自己的经验总结出的行为，并没有让其真正产生其独特的智能。

理解了这之后，一切问题都更好解释了。机器学习，本质上就是一种工具，将人类思考的方式用机器实现，说白了目前十分先进的机器学习模型和最简单的计算器没任何区别。只不过，最简单的计算器，只能帮你实现加减乘除，你输入2-1，它就会给你返回1。而我们现在的机器学习模型，可以帮你识别图片，帮你识别语义等等，你输入一张猫的图片，它就给你返回“这是一只猫”。前者是人类想方设法使计算器明白2减1，会等于1，更复杂点，我们设置一个函数y=x+1,让计算机明白，输出的永远等于输入的加上1。后者则是人类想让计算机明白，尖耳朵，有胡须等等特征的物体，叫做猫。本质上，这两种问题没有任何区别，只不过后者实现比前者复杂的多。

目前，机器学习都是基于数学的，识别图片也是将图片首先转化转换为像素形式，而标签则是使用ONE-HOT化。
所以，图片识别的任务其实就是想办法，把这些像素的数据通过一系列的计算，让计算机最终得到猫的标签的数值（假设是1）。仔细想想，不就是让计算机实现很难的数学运算吗。假设我们输入一张图片，希望计算出此图的面积，我们只需要很简单的设置一个算法，即输出等于图片长X乘图片宽Y。但现在，我们的任务是让计算机识别是不是一只猫，不能简单的长乘宽，而是要通过一些复杂的运算，让输出等于1. 目前机器学习，说白了就是将输入数据通过一系列的数学计算，输出一个值罢了。目前，我们使机器像人类一样学习的方法，就是如此。不同的是，计算面积我们已经给出了具体的参数（长宽的系数都是1），而识别图片，我们需要机器训练后得出参数。

深度学习

深度学习是机器学习的子领域，网上有很多不错的介绍，本人对其概念、模型等等也就不过多解释了。我只想强调一定要理解深度学习模型的可解释性差的原因，可以让你很好的理解深度学习和机器学习的区别。这里推荐一篇文章：https://zhuanlan.zhihu.com/p/58487674

目前，我们使用深度学习完成具体任务，首先进行模型设计，模型设计根据具体问题具体设计，目前也有许多经典模型给予参考。之后训练和测试你自己的模型，其中，使用一些评价参数评价你的模型好坏。

下一篇文章，会使用Keras实现一个最简单的神经网络，来说明如何使用Keras完成一个具体任务。