近些年，在IT行业内除了云计算、大数据等热门技术和词汇的诞生和兴起，还有另外一种新技术正在逐渐被认知和关注，那就是深度学习。了解此方面技术和应用的用户我相信大多数都是从谷歌的“阿尔法狗”战胜国际知名围棋大师李世石开始的。其中有关深度学习领域可能包含了一些我们容易混淆的概念和词汇，比如深度学习、机器学习、模式识别等等，这次我们就一起来聊聊在DeepLearning领域的一些技术和具体应用。
我们上面所提到的三个词汇：深度学习、机器学习和模式识别当中，模式识别是最早的一类技术词汇，而机器学习则是最为基础的，也是当下很多创业型公司和企业实验室所追寻的热点技术，深度学习是具有前沿影响力的一项全新技术。
模式识别
这是一个诞生于70年代的技术词汇，它强调的是如何让一个计算机程序去做一些看起来很“智能”的事情，例如识别“3”这个数字。而且在融入了很多的智慧和直觉后，人们也的确构建了这样的一个程序。例如，区分“3”和“B”或者“3”和“8”。
如果你的算法对图像应用了一些像滤波器、边缘检测和形态学处理等等高大上的技术后，模式识别社区肯定就会对它感兴趣。光学字符识别就是从这个社区诞生的。因此，把模式识别称为70年代，80年代和90年代初的“智能”信号处理是合适的。决策树、启发式和二次判别分析等全部诞生于这个时代。在这个时代模式识别也成为了计算机技术领域的一个热门词汇。
机器学习
来到90年代初，用户开始构建一套模式识别的别样计算方式，也就是说，用户能够用数据来替换专家的一些思维和操作，这就是机器学习的诞生之源，通过搜集大量的人脸和非人脸图像，再选择一个算法，然后冲着咖啡、晒着太阳，等着计算机完成对这些图像的学习。这就是机器学习的思想。
“机器学习”强调的是，在给计算机程序（或者机器）输入一些数据后，它必须做一些事情，那就是学习这些数据，而这个学习的步骤是明确的。进入到了21世纪中期，机器学习一句成为了计算机科学领域当中的一项重要课题，人们不再限于识别字符、识别猫和狗或者识别图像中的某个目标等等这些问题。
研究人员开始把机器学习应用在机器人、基因数据分析以及金融市场预测等等很多环节当中，同时机器学习也已经成为了很多技术人员所必备的一项基本的技术技能。
深度学习技术
我们都知道，深度学习讲究的是用户使用的模型的重要性，这些模型中的参数通过从数据当中获取用户习惯从而来站在人的角度去思考和解决问题。因为我们人类面对的是一个高维的模型，所以就需要大量的数据和强大的运算能力，比如运用图形处理器和GPU等硬件资源才能对模型进行更好的应用和优化。
当前，面对深度学习还有很多存在的问题尚未解决，既没有完整的关于深度学习有效性的理论，也没有任何一本能超越机器学习实战经验的指南或者书。另外，深度学习不是万能的，它有足够的理由能日益流行，但始终无法接管整个世界。
所以对于用户来讲，不要对深度框架过于崇拜，也不要害怕对这些框架进行剪裁和调整，我们未来也极有可能把Linux的内核运用在Caffe上面，对于技术和应用的不断探究和提升才是未来我们提升IT技术水平的可行道路。
本文根据网络内容整理编辑。
