深度學習是一種在表達能力上靈活多變，同時又允許計算機不斷嘗試，直到最終逼近目標的一種機器學習方法。從數(shù)學本質上說，深度學習與傳統(tǒng)機器學習方法并沒有實質性差別，都是希望在高維空間中，根據(jù)對象特征，將不同類別的對象區(qū)分開來。但深度學習的表達能力，與傳統(tǒng)機器學習相比，卻有著天壤之別。

簡單地說，深度學習就是把計算機要學習的東西看成一大堆數(shù)據(jù)，把這些數(shù)據(jù)丟進一個復雜的、包含多個層級的數(shù)據(jù)處理網(wǎng)絡（深度神經(jīng)網(wǎng)絡），然后檢查經(jīng)過這個網(wǎng)絡處理得到的結果數(shù)據(jù)是不是符合要求——如果符合，就保留這個網(wǎng)絡作為目標模型，如果不符合，就一次次地、鍥而不舍地調整網(wǎng)絡的參數(shù)設置，直到輸出滿足要求為止。

由圖可以明顯看出DL在從06年崛起之前經(jīng)歷了兩個低谷，這兩個低谷也將神經(jīng)網(wǎng)絡的發(fā)展分為了三個不同的階段。

我們換一種更直觀的講法

假設深度學習要處理的數(shù)據(jù)是信息的“水流”，而處理數(shù)據(jù)的深度學習網(wǎng)絡是一個由管道和閥門組成的巨大的水管網(wǎng)絡。網(wǎng)絡的入口是若干管道開口，網(wǎng)絡的出口也是若干管道開口。這個水管網(wǎng)絡有許多層，每一層有許多個可以控制水流流向與流量的調節(jié)閥。根據(jù)不同任務的需要，水管網(wǎng)絡的層數(shù)、每層的調節(jié)閥數(shù)量可以有不同的變化組合。對復雜任務來說，調節(jié)閥的總數(shù)可以成千上萬甚至更多。水管網(wǎng)絡中，每一層的每個調節(jié)閥都通過水管與下一層的所有調節(jié)閥連接起來，組成一個從前到后，逐層完全連通的水流系統(tǒng)（這里說的是一種比較基本的情況，不同的深度學習模型，在水管的安裝和連接方式上，是有差別的）。

那么，計算機該如何使用這個龐大的水管網(wǎng)絡，來學習識字呢？

比如，當計算機看到一張寫有“田”字的圖片時，就簡單將組成這張圖片的所有數(shù)字（在計算機里，圖片的每個顏色點都是用“0”和“1”組成的數(shù)字來表示的）全都變成信息的水流，從入口灌進水管網(wǎng)絡。

我們預先在水管網(wǎng)絡的每個出口都插一塊字牌，對應于每一個我們想讓計算機認識的漢字。這時，因為輸入的是“田”這個漢字，等水流流過整個水管網(wǎng)絡，計算機就會跑到管道出口位置去看一看，是不是標記有“田”字的管道出口流出來的水流最多。如果是這樣，就說明這個管道網(wǎng)絡符合要求。如果不是這樣，我們就給計算機下達命令：調節(jié)水管網(wǎng)絡里的每一個流量調節(jié)閥，讓“田”字出口“流出”的數(shù)字水流最多。

這下，計算機可要忙一陣子了，要調節(jié)那么多閥門呢！好在計算機計算速度快，暴力計算外加算法優(yōu)化（其實，主要是精妙的數(shù)學方法了，不過我們這里不講數(shù)學公式，大家只要想象計算機拼命計算的樣子就可以了），總是可以很快給出一個解決方案，調好所有閥門，讓出口處的流量符合要求。

下一步，學習“申”字時，我們就用類似的方法，把每一張寫有“申”字的圖片變成一大堆數(shù)字組成的水流，灌進水管網(wǎng)絡，看一看，是不是寫有“申”字的那個管道出口流出來的水最多，如果不是，我們還得再次調整所有的調節(jié)閥。這一次，要既保證剛才學過的“田”字不受影響，也要保證新的“申”字可以被正確處理。

如此反復進行，直到所有漢字對應的水流都可以按照期望的方式流過整個水管網(wǎng)絡。這時，我們就說，這個水管網(wǎng)絡已經(jīng)是一個訓練好的深度學習模型了。

瑕疵品檢測

在工業(yè)生產(chǎn)過程中，瑕疵檢測是很多產(chǎn)品質量檢測環(huán)節(jié)及其重要的步驟。瑕疵檢測裝置將工業(yè)相機采集到的產(chǎn)品表面圖像經(jīng)過圖像處理軟件進行瑕疵識別處理，找出瑕疵，同時對瑕疵進行有效的分類及后續(xù)處理。傳統(tǒng)的圖像處理軟件存在幾個方面問題：

一、圖像處理軟件開放參數(shù)多，需投入大量精力調試才能到達較好檢測性能。

二、圖像處理軟件底層算法通用性及功能拓展性弱，對于新產(chǎn)品及其客戶新需求，需要人員來重新開發(fā)。

我司案例

磁片檢測

我司研發(fā)的磁片合格檢測系統(tǒng)通過搭建深度神經(jīng)網(wǎng)絡對訓練圖片中的合格及NG圖進行學習，并利用學習收斂后的模型對新的磁片圖進行分類。

磁片的合格鑒定是一個比較復雜的視覺檢測任務，這是因為磁片表面的紋理，污漬，水滴及光線導致的陰影都可能對識別產(chǎn)生影響。難以用有限且明確的特征描述磁片的合格與否。利用傳統(tǒng)匹配及輪廓提取等算法很容易導致將大量合格品鑒定為不合格，使得誤檢率極高，而假設算法放松對合格品的標準，則會導致判定的合格品中包含不合格品，引起更為致命的漏檢。

我司在傳統(tǒng)視覺算法的基礎上引入深度學習技術，搭建深度神經(jīng)網(wǎng)絡對大量人工標注的圖片進行學習訓練，自動提取特征并進行不斷的迭代計算直至模型收斂。經(jīng)過驗證，基于深度學習的檢測系統(tǒng)可以實現(xiàn)對磁片圖片更為精準、穩(wěn)定的檢測。

下圖為合格磁片 

下圖為NG磁片    

注：Ans為真實值

Pr為神經(jīng)網(wǎng)絡計算結果

輪轂凸臺檢測

我司研發(fā)的輪轂凸臺定位系統(tǒng)通過搭建深度神經(jīng)網(wǎng)絡對訓練圖片中的輪轂凸臺位置進行學習，并利用學習收斂后的模型對新的輪轂圖進行定位檢測。

如下圖所示，自動化車間的生產(chǎn)環(huán)境很難保證圖片特征一致且良好，因此利用傳統(tǒng)視覺匹配算法抗干擾性較差，會出現(xiàn)模板匹配不上導致的凸臺識別失敗。而利用深度學習中的卷積神經(jīng)網(wǎng)絡對大量圖片特征及標注進行自主學習和模型迭代，會使檢測系統(tǒng)具有更高的魯棒性和抗干擾能力。我司研發(fā)的深度學習系統(tǒng)能夠對特征不明顯或有損壞的凸臺進行精準定位，如第二張圖所示。

注：圖中黑色圓為神經(jīng)網(wǎng)絡對新輪轂圖片進行凸臺定位的結果