深度學習是什么意思？近年來，隨著信息社會、學習科學和課程改革的發展，深度學習是一種新的學習形式。目前，對深度學習的概念有很多答案，很多專家學者的解釋是本質意義一致的表述略有不同。李嘉厚教授認為，深度學

深度學習是什么意思？

近年來，隨著信息社會、學習科學和課程改革的發展，深度學習是一種新的學習形式。

目前，對深度學習的概念有很多答案，很多專家學者的解釋是本質意義一致的表述略有不同。

李嘉厚教授認為，深度學習是建立在理解的基礎上的。學習者可以批判性地學習新的想法和事實，將它們融入原有的認知結構，將許多想法聯系起來，并將現有的知識轉移到新的情境中，從而做出決策和解決問題。

郭華教授認為，深度學習是在教師指導下的一個有意義的學習過程，學生圍繞挑戰性的學習主題，全心投入，體驗成功，獲得發展。它具有批判性理解、有機整合、建設性反思和遷移應用的特點。

深度學習有幾個特點。一是觸動人心的學習。第二，體驗式學習。三是深入認識和實踐創新的研究。

深度神經網絡（DNN）是否模擬了人類大腦皮層結構？

同時，一些特定的深層神經網絡模型在一定程度上類似于人類大腦皮層的結構。

例如，2017年10月，美國普渡大學綜合腦成像實驗室的劉忠明在大腦皮層發表了《基于動態自然視覺深度學習的神經編解碼》，基于深度神經網絡模型對動態視覺進行編解碼。這項工作基于972個視頻片段和11.5小時的功能磁共振數據，通過深度神經網絡（fMRI）編碼和解碼，磁共振成像技術檢測由于氧合血紅蛋白和脫氧血紅蛋白比率的變化而引起的血液磁化率的差異，并判斷相應的腦區處于活動或靜止狀態），并用深層神經網絡來解釋動態視覺與腦激活的關系以及二者之間的關系。在以往的研究中，深度神經網絡主要用來解釋靜態視覺和大腦激活之間的關系。目前尚不清楚深度神經網絡是否可以用來解釋動態視覺和大腦激活之間的關系。具體來說，CNN模型的中間層負責處理抽象的視覺信息，與人類視覺皮層的層次結構非常相似。

最終效果非常好。在編碼方面，它取決于ROI（感興趣區域）。在相同的ROI范圍內，平均精度可達0.4～0.6，跨ROI的精度為0.25～0.3。

此答案中使用的圖片均取自原稿。

阿里巴巴和華為都自研了ai芯片，誰的比較厲害？

阿里的漢光800和華為的勝騰910屬于人工智能芯片，但它們的應用領域截然不同。漢光800是一款更側重于特殊領域的產品，而神騰910則相對通用，可以用于AI學習和訓練。兩者在適用范圍和設計目標上有很大差異。如今，人工智能計算剛剛興起。無論是阿里巴巴還是華為，各個廠商的AI芯片都沒有統一的標準，突破多在具體的落地領域，可比性不強，實際效果與使用場景密切相關，不可能直接比較誰比誰好。

不過，阿里巴巴和華為兩款AI芯片的愿景是相似的。這兩種芯片短期內不會對外銷售。它們只會大規模部署在自己的云服務和相應的產品中。開發者只需要為計算能力付費。未來，云服務將成為IT行業的水、電、煤。誰能把電線拉到谷開來，誰的家電上網價格最便宜，誰就能得到最大的市場。

如果我們真的想拿出一些數據進行對比，那么漢光800芯片在resnet-50中的推理性能可以達到78563ips，這是一個世界紀錄的性能，有著“世界上性能最高的人工智能推理芯片”的光環；華為勝騰910是一個通用的人工智能處理器，半精度（fp16）計算能力為256TFlops，是行業的兩倍；推理能力的崛起，int8計算能力16個頂點，功耗僅8W，處于行業領先地位。

神經網絡啥時候改名叫“深度學習”了？

這是同根，何必太著急。

深度學習可以理解為使用深度神經網絡（DNN）的機器學習。從這個定義可以看出它們之間的關系。

深度神經網絡（DNN）一般分為三種結構

簡單的DNN：一般的神經網絡擴展到多層，有很多缺點，包括訓練速度慢，使用BackProp訓練梯度衰減嚴重；

深度信念網絡（DBN）：基于RBN（受限玻爾茲曼）卷積深度信念網絡（cdbn）：比DBN訓練更快，適用于非常大的圖像或語音識別。

困難之一是訓練速度。另一個是需要大量的計算能力。成本很高。例如，谷歌的alphago使用1202個cpu和176個gpu。普通人和公司負擔不起如此強大的計算能力。

深度學習的預測模型有哪些？

深度學習模型很常見：卷積神經網絡CNN、堆疊式自動編碼器SAE、遞歸神經網絡DNN、生成對抗網絡Gan、深度信念網絡DBN、深度神經網絡DNN、深度強化學習DRL以及模型的許多變體。

深度學習中沒有預測模型，只是那些模型是一個預測問題。GDP預測是一個連續的問題。我覺得CNN、DBN和DNN不合適。如果數據量有限，參考互聯網金融，我覺得遷移學習深度學習模式是一個不錯的選擇。個人觀點，僅供參考，更多官方賬號可關注個人微信公眾號“深度學習與NLP”。