王瀟陽(yáng)

作為搜索引擎的代名詞，“百度一下”已經(jīng)在人民日常生活中發(fā)揮著無(wú)可取代的作用，而深度學(xué)習(xí)技術(shù)的誕生與發(fā)展則為“百度一下”的未來(lái)發(fā)展提供了巨大的技術(shù)支撐，文章從此出發(fā)，首先對(duì)“百度一下”及其發(fā)展前景做了簡(jiǎn)要的描述，然后探討了深度學(xué)習(xí)技術(shù)的內(nèi)涵與價(jià)值，并分析了其應(yīng)用現(xiàn)狀，繼而以深度學(xué)習(xí)技術(shù)的應(yīng)用前景為分析內(nèi)容，指出了其在文本領(lǐng)域、圖像領(lǐng)域、音頻領(lǐng)域、視頻領(lǐng)域的應(yīng)用前景。

網(wǎng)絡(luò)信息時(shí)代的到來(lái)極大地改變了人類社會(huì)生產(chǎn)生活的方式，特別是在信息搜集領(lǐng)域，搜索引擎取代了傳統(tǒng)的文獻(xiàn)查閱，成為人們信息獲取的主要方式。百度作為我國(guó)市場(chǎng)份額最大的搜索引擎網(wǎng)站，“百度一下”也成為網(wǎng)絡(luò)搜索的代名詞。深度學(xué)習(xí)技術(shù)屬于人工智能的范疇，是機(jī)器學(xué)習(xí)領(lǐng)域的重要分支，是相對(duì)于傳統(tǒng)的淺度學(xué)習(xí)，即僅包含單層非線性變換的淺層學(xué)習(xí)結(jié)構(gòu)而言的新型學(xué)習(xí)結(jié)構(gòu)，具有廣闊的發(fā)展前景與強(qiáng)大的應(yīng)用價(jià)值，是實(shí)現(xiàn)人工智能的有效路徑，深度學(xué)習(xí)將簡(jiǎn)單的特征進(jìn)行組合，成為高層次的特征，從而實(shí)現(xiàn)對(duì)特定數(shù)據(jù)或者實(shí)際對(duì)象抽象表達(dá)的目標(biāo)。百度于2012年引入深度學(xué)習(xí)技術(shù)，以此來(lái)實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)，并取得了不錯(cuò)的應(yīng)用成果，從未來(lái)的發(fā)展前景而言，深度學(xué)習(xí)技術(shù)與“百度一下”的融合將更加緊密。

1 “百度一下”及其發(fā)展前景

“百度一下”是百度網(wǎng)站2007年推出的廣告語(yǔ)，全稱為“百度一下，你就知道”，指代在百度網(wǎng)站中對(duì)某個(gè)詞語(yǔ)進(jìn)行搜索。隨著信息技術(shù)的迅猛發(fā)展，“百度一下”逐漸成為網(wǎng)絡(luò)搜索的代名詞，從廣義的角度來(lái)說(shuō)，凡事借助搜索引擎進(jìn)行搜索，均可以視作“百度一下”，而從狹義的角度而言，則專指代以百度為搜索引擎的網(wǎng)絡(luò)搜索。由于百度在中國(guó)搜索引擎市場(chǎng)份額巨大，占比在80%以上，“百度一下”的廣義含義與狹義含義具有很大的重合性。“百度一下”很大程度上改變了人們信息的獲取方式，使網(wǎng)絡(luò)成為現(xiàn)代人信息的主要來(lái)源，在具備海量數(shù)據(jù)以及便捷性、個(gè)性化服務(wù)優(yōu)勢(shì)的同時(shí)，“百度一下”也存在不少問(wèn)題，比如信息泛濫導(dǎo)致的可靠性下降，又如依附效應(yīng)導(dǎo)致的思維碎片化等。深度學(xué)習(xí)技術(shù)的誕生與發(fā)展為“百度一下”的未來(lái)發(fā)展提供了重要的支撐，2012年百度公司引入了深度學(xué)習(xí)技術(shù)，并在多個(gè)領(lǐng)域取得了重要的突破，就以圖片搜索為例，傳統(tǒng)的搜索方式為隱文搜索，用戶借助圖片的主要文字信息，比如“故宮”搜索出故宮的圖片，而深度學(xué)習(xí)技術(shù)使得以圖搜圖成為常見(jiàn)的搜索方式，用戶只需拍攝圖片，并上傳百度搜索，就可以迅速找出類似的圖片，深度學(xué)習(xí)技術(shù)極大地提升“百度一下”的效率與價(jià)值，對(duì)“百度一下”的發(fā)展有著重要意義。

2 深度學(xué)習(xí)技術(shù)

2.1 深度學(xué)習(xí)技術(shù)的內(nèi)涵、優(yōu)勢(shì)

深度學(xué)習(xí)最早由Hinton教授于2006年提出，屬于人工智能領(lǐng)域的新技術(shù)。此后又有很多科學(xué)家和學(xué)者深入研究，很多研究表明，根據(jù)學(xué)習(xí)深度的不同，機(jī)器學(xué)習(xí)可以分為淺度學(xué)習(xí)與深度學(xué)習(xí)兩大類型，淺度學(xué)習(xí)是最為傳統(tǒng)我們所普遍認(rèn)知的學(xué)習(xí)模式，僅僅包含單層非線性變換的淺層學(xué)習(xí)結(jié)構(gòu)，在信息技術(shù)不斷發(fā)展，數(shù)據(jù)呈指數(shù)級(jí)增長(zhǎng)的今天其現(xiàn)狀和性能已經(jīng)越來(lái)越難以滿足社會(huì)發(fā)展的需求。深度學(xué)習(xí)的概念由此提出，所謂深度學(xué)習(xí)，指的是計(jì)算機(jī)以人腦的多層抽象機(jī)制為基礎(chǔ)，借助神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦的學(xué)習(xí)過(guò)程。具體而言，便是構(gòu)建具有很多隱藏的機(jī)器學(xué)習(xí)模型以及海量訓(xùn)練數(shù)據(jù)的機(jī)器學(xué)習(xí)方法。現(xiàn)代意義上的深度學(xué)習(xí)涉及到多門(mén)學(xué)科，典型的代數(shù)學(xué)、統(tǒng)計(jì)學(xué)、微積分、概率論等，主要借助設(shè)計(jì)和研發(fā)一些有助于計(jì)算機(jī)自動(dòng)學(xué)習(xí)的算法來(lái)實(shí)現(xiàn)機(jī)器深度學(xué)習(xí)的目標(biāo)。與傳統(tǒng)的淺度學(xué)習(xí)相比，深度學(xué)習(xí)有著非常突出的優(yōu)勢(shì)，可以很好地化解淺度學(xué)習(xí)中存在的維數(shù)災(zāi)難現(xiàn)象。不僅有效解決了局部最優(yōu)的問(wèn)題，且其內(nèi)部訓(xùn)練，或者說(shuō)自主學(xué)習(xí)的過(guò)程不依賴樣本標(biāo)簽信息，應(yīng)用領(lǐng)域非常廣闊，特別是在非線性自然信號(hào)的處理中更是如此，常見(jiàn)的有語(yǔ)音識(shí)別、圖像識(shí)別、自然語(yǔ)言處理等。正是深度學(xué)習(xí)技術(shù)不可多得的優(yōu)勢(shì)，使得其成為百度等搜索引擎發(fā)展完善的重要技術(shù)支撐。

2.2 深度學(xué)習(xí)技術(shù)的應(yīng)用現(xiàn)狀

深度學(xué)習(xí)技術(shù)作為人工智能的分支，有著非常廣泛的應(yīng)用領(lǐng)域，但從當(dāng)前的應(yīng)用現(xiàn)狀而言，受各種因素的影響，情形并不容樂(lè)觀，或者說(shuō)，深度學(xué)習(xí)技術(shù)的應(yīng)用價(jià)值并沒(méi)有得到有效的發(fā)揮，首先，訓(xùn)練模式優(yōu)化問(wèn)題。監(jiān)督學(xué)習(xí)是深度學(xué)習(xí)模型訓(xùn)練的主要方式，此種學(xué)習(xí)方式離不開(kāi)大量人工標(biāo)準(zhǔn)的訓(xùn)練樣本，存在費(fèi)時(shí)費(fèi)力的問(wèn)題，與人工智能的初衷違背，且訓(xùn)練樣本的規(guī)模會(huì)影響到模型的應(yīng)用精度；其次，理論創(chuàng)新問(wèn)題?，F(xiàn)階段，大部分深度學(xué)習(xí)模型所以來(lái)的理論，都是卷積神經(jīng)網(wǎng)絡(luò)等最為基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的疊加或混合，在復(fù)雜數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)關(guān)系的處理中不具備優(yōu)勢(shì)；最后，規(guī)模應(yīng)用問(wèn)題。相比于科研工作中的火熱性，深度學(xué)習(xí)技術(shù)在實(shí)際的應(yīng)用研究中仍然處于起步階段，并沒(méi)有規(guī)?；貞?yīng)用于日常生活中，即便是技術(shù)較為成熟的領(lǐng)域，比如語(yǔ)音識(shí)別、圖像識(shí)別等，也離普遍應(yīng)用有一段距離。

3 深度學(xué)習(xí)技術(shù)的應(yīng)用前景

3.1 文本領(lǐng)域的應(yīng)用

文本領(lǐng)域是深度學(xué)習(xí)技術(shù)應(yīng)用較為廣泛的領(lǐng)域之一，并且，隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，近年來(lái)，有關(guān)文本領(lǐng)域的研究也大都集中于深度學(xué)習(xí)的應(yīng)用上。作為國(guó)內(nèi)市場(chǎng)份額最大的搜索引擎，百度文本數(shù)量巨大，且每天以海量的速度遞增，大規(guī)模文本分析是深度學(xué)習(xí)技術(shù)應(yīng)用最為重要的內(nèi)容。相關(guān)研究表明，在MATLAB平臺(tái)上，基于淺層結(jié)構(gòu)RSM的DBN模型可以有效地利用20-newgroups文檔集進(jìn)行訓(xùn)練與測(cè)試，研究結(jié)果清楚地表示，基于淺層結(jié)構(gòu)RSM的DBN模型在大規(guī)模文本分析中具有可行性，為后續(xù)相關(guān)應(yīng)用的開(kāi)展奠定了技術(shù)基礎(chǔ)與應(yīng)用路徑。文本分類是搜索引擎中的難點(diǎn)所在，特別是在文本海量遞增的宏觀環(huán)境下，如何有效地開(kāi)展文本分類，提升文本分類的精確度與準(zhǔn)確度，關(guān)系到搜索引擎未來(lái)的發(fā)展態(tài)勢(shì)，對(duì)此，深度學(xué)習(xí)技術(shù)同樣有著很好的應(yīng)用價(jià)值。以知乎實(shí)驗(yàn)數(shù)據(jù)為依托的測(cè)試結(jié)果顯示，基于深度學(xué)習(xí)技術(shù)的模型在文本分類的準(zhǔn)確度上有顯著的進(jìn)步，特別是對(duì)于長(zhǎng)文本而言，分類準(zhǔn)確度高達(dá)98.06%，而對(duì)于分類難度更高的短文本，準(zhǔn)確度也超過(guò)了90%。

3.2 圖像領(lǐng)域的應(yīng)用

對(duì)“百度一下”而言，圖像領(lǐng)域的應(yīng)用是深度學(xué)習(xí)技術(shù)應(yīng)用的重要領(lǐng)域，一來(lái)，百度圖片作為百度搜索引擎的重要功能，在滿足社會(huì)圖片搜索中發(fā)揮著重要的作用，二來(lái)，百度搜索正從單一的文字搜索向多元的文字、語(yǔ)音、圖像搜索發(fā)展與延伸，拍照搜圖已經(jīng)成為現(xiàn)代搜索的重要方式。在圖像識(shí)別的應(yīng)用中，卷積神經(jīng)網(wǎng)絡(luò)是應(yīng)用得比較早的深度學(xué)習(xí)技術(shù)，在人臉識(shí)別以及其他特征較為明顯的圖像識(shí)別，比如車(chē)牌識(shí)別、花草樹(shù)木識(shí)別中有著特殊的優(yōu)勢(shì)，并誕生了不少行之有效的模型，比如谷歌公司的GoogleNet模型就是基于卷積神經(jīng)網(wǎng)絡(luò)的典型模型。深度學(xué)習(xí)技術(shù)在圖像領(lǐng)域的應(yīng)用有著很強(qiáng)的拓展性，尤其是在遙感圖像的獲取、識(shí)別中有著重要意義，這為“百度一下”服務(wù)道路交通以及地形探測(cè)均有著很好的作用。有研究者構(gòu)建了深度卷積神經(jīng)網(wǎng)絡(luò)模型（DCNN），用來(lái)進(jìn)行遙感水體的識(shí)別，實(shí)驗(yàn)借助無(wú)人機(jī)來(lái)獲取遙感圖像，然后以支持向量機(jī)法以及面向?qū)ο蠓ㄗ鳛閷?duì)比的方法，對(duì)比結(jié)果顯示，與其他模型相比，深度卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別效果更佳，是圖像領(lǐng)域應(yīng)用的有效模型。

3.3 音頻領(lǐng)域的應(yīng)用

語(yǔ)音識(shí)別是“百度一下”中的重要內(nèi)容，在語(yǔ)音搜索成為常態(tài)的今天，如何有效地提升語(yǔ)音識(shí)別的質(zhì)量成為深度學(xué)習(xí)技術(shù)應(yīng)用的關(guān)鍵。信息技術(shù)的迅猛發(fā)展在提高社會(huì)生活便捷度的同時(shí)，也帶來(lái)了海量的數(shù)據(jù)，海量數(shù)據(jù)的有效利用成為“百度一下”當(dāng)前的重點(diǎn)所在。在大數(shù)據(jù)時(shí)代，傳統(tǒng)的語(yǔ)音識(shí)別機(jī)制已經(jīng)越來(lái)越難以滿足人們的搜索需求，因?yàn)閭鹘y(tǒng)語(yǔ)音識(shí)別一方面在孤立語(yǔ)音的識(shí)別中存在著很大的缺陷，難以準(zhǔn)確地將孤立語(yǔ)音識(shí)別出來(lái)，比如一個(gè)字、一個(gè)詞，或者一種聲響，另一方面，傳統(tǒng)語(yǔ)音識(shí)別存在較高的錯(cuò)誤率，影響識(shí)別的效果。深度學(xué)習(xí)技術(shù)的應(yīng)用為語(yǔ)音識(shí)別的發(fā)展與完善提供了新的思路。舉例而言，針對(duì)傳統(tǒng)的混合高斯-隱馬爾科夫（GMM-HMM）模型中存在的問(wèn)題，相關(guān)研究者進(jìn)行了改革，用深度神經(jīng)網(wǎng)絡(luò)（DNN）替換了傳統(tǒng)的GMM，構(gòu)建了新的DNN-HMM模型，與混合高斯-隱馬爾科夫模型相比，結(jié)合了深度學(xué)習(xí)技術(shù)的模型在詞匯識(shí)別的準(zhǔn)確率上有了極大地提升。不僅如此，深度自動(dòng)編碼器（DAE）在孤立語(yǔ)音識(shí)別中的應(yīng)用表明，深度學(xué)習(xí)技術(shù)可以有效提升語(yǔ)音識(shí)別的適應(yīng)性，使其滿足孤立語(yǔ)音的識(shí)別需要。

3.4 視頻領(lǐng)域的應(yīng)用

多元化發(fā)展與綜合化運(yùn)用是“百度一下”未來(lái)發(fā)展的主要趨勢(shì)，視頻領(lǐng)域的應(yīng)用則是深度學(xué)習(xí)技術(shù)推動(dòng)“百度一下”發(fā)展的重要領(lǐng)域。從當(dāng)前深度學(xué)習(xí)技術(shù)的應(yīng)用現(xiàn)狀而言，目標(biāo)跟蹤以及交通監(jiān)管是視頻應(yīng)用中的重點(diǎn)。此處，深度自動(dòng)編碼器已然有強(qiáng)大的應(yīng)用機(jī)制。基于稀疏約束的DAE模型，能夠以非監(jiān)督訓(xùn)練監(jiān)督式微調(diào)的方法來(lái)對(duì)模型進(jìn)行訓(xùn)練，進(jìn)而在目標(biāo)追蹤中予以應(yīng)用，比如正在行走的人物或汽車(chē)等。仿生眼監(jiān)控系統(tǒng)的研發(fā)與應(yīng)用對(duì)深度學(xué)習(xí)技術(shù)在視頻領(lǐng)域中的應(yīng)用起到了很好的推動(dòng)作用。有研究人員在GooleNet模型的基礎(chǔ)上進(jìn)行了改進(jìn)與重構(gòu)的工作，構(gòu)建一個(gè)三分類的卷積神經(jīng)網(wǎng)絡(luò)模型，使深度學(xué)習(xí)技術(shù)得以成功地應(yīng)用于仿生眼監(jiān)控系統(tǒng)中，能夠有效地對(duì)道路交通狀況進(jìn)行識(shí)別。視頻應(yīng)用作為目標(biāo)追蹤的主要方式，在實(shí)際的使用中存在一些難點(diǎn)，比如在長(zhǎng)距離、多目標(biāo)的追蹤中很容易出現(xiàn)混亂乃至丟失追蹤目標(biāo)的現(xiàn)象，而基于深度學(xué)習(xí)技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)輔助跟蹤法可以有效地彌補(bǔ)此一不足，提升復(fù)雜環(huán)境下目標(biāo)追蹤的準(zhǔn)確度。

4 結(jié)語(yǔ)

機(jī)器的深度學(xué)習(xí)是學(xué)科交叉融合的產(chǎn)物，主要以人工智能為研究對(duì)象，是探討機(jī)器模擬人腦學(xué)習(xí)的技術(shù)，它的核心目標(biāo)是使機(jī)器具有類似于人類那種自我學(xué)習(xí)、自我發(fā)展的能力，從而使自身的性能更加完善，更好地被人類應(yīng)用于社會(huì)實(shí)踐中，產(chǎn)生更大的影響和效益。百度一下的普及和深入人心是一場(chǎng)突破和開(kāi)始，百度一下也越來(lái)越完善，語(yǔ)音輸入、圖片輸入、智能區(qū)分等，在這些基礎(chǔ)之上可以明顯的遇見(jiàn)，深度學(xué)習(xí)技術(shù)的提倡和發(fā)展對(duì)“百度一下”的未來(lái)發(fā)展將產(chǎn)生越來(lái)越重要影響，深度學(xué)習(xí)的理念和延伸將成為“百度一下”未來(lái)發(fā)展的核心推動(dòng)力。

（作者單位：臺(tái)州路橋中學(xué)）