第一章 深度學習系統簡介
深度學習是一種機器學習人類動作的一種技術，而這些動作非常的廣泛，舉 例來說，在這個臉書盛行的時代，與好友拍張照上傳至 Facebook 上面，系統將 自動的辨識出與你拍照的人是誰是否加以標記好友，這部分就是一種依靠深度學 習所完成的臉部辨識系統，不只如此在 2016 年時有個以深度學習所做出來的 AI AlphaGo 這項技術在當時候挑戰了世界知名的韓國圍棋高手以四戰三勝的戰績，
在圍棋界投下一顆震撼彈，最令人驚訝的是 AlphaGo 連贏了三場，但在隔年就 被自家的AlphaGo Zero 給打敗，而這次所開發的 AlphaGo Zero 只有給它圍棋規 則讓它自我訓練，在這個例子出現後更多的人看見了深度學習得厲害之處。
所謂深度學習這個名詞，對一般人而言會有一種「深」就是巨量海量資料的 意思，會運用到大數據，但其實並非如此。因為以數據來訓練學習數據永遠都嫌 少，所以才需要深度的學習在有限的資料量中計算出更精準的數據，比起海量資 料所分析出來的更為精確，若以深度學習與海量資料一併使用，所訓練出的資料 精確度將會比單純由大數據所計算出的精確度更高。
圖 1-1：人類神經網路圖
2
3
在一開始發展類神經網路的時期，當時的電腦設備運算能力還不如近期發展 的 CPU 那麼強大所以初期發展多以學裡部分作研究，學者們無法精確地實現他 們所想計算的實驗數據，而且當時的電腦計算一次類神經網路系統校幾天到幾個 月的時間，一直到大約 2012 年之後出現重大轉類點，也就是 GPU 加上深度學習 的出現，才讓廣大的學者們能繼續朝著人工智慧這條道路邁進，已圖 1-2 的示意 圖一樣繼續的深入學習的研究，若隱藏層的部分只有一層那我們就只會說它是淺 層的學習，深度學習的隱藏層要兩層或是兩層以上才會稱作為深度學習。
簡單的說深度學習是有層次性的機器學習語法，一種給它規則會自我學習的 語法，它可以透過一層一層的處理大量又沒有順序的訊號，逐漸的轉換為有用的 數據資訊來解決許多問題，不過通常在提到深度學習時，人們所想到的會是某一 種特定的機器學習與法，而不是整體的架構或是單一神經元，在剛才所看到的圖 1-2 代表著整體類神經網路的架構，而單一神經元的計算會與其有所不同，如圖 1-3 所顯示的是單一神經元。
圖 1-3：單一神經元模型[2]
4
5
6
但這問題在另外一種神經網路也就是長短記憶體神經網路(Long-shot term memory, LSM)此網路結構當中解決了，與遞歸網路神經不同的地方是他在神經 元裡加入了另外三個可控制的開關有寫入、遺忘、輸出這些開關擁有各自的權重，
會根據輸入資料在經過權重計算後來決定是否要開啟，這三個開關加入之後能減 少在遞歸神網路經在使用隨機梯度下降法所遇到的問題。[1,5]
除了以上所述的類神經網路、遞歸神經網路、長短記憶體神經網路，以外還 有許多的網路架構可以應用在深度學習上，本論文研究所運用的也是在深度學習 當中相當熱門且最為知名的一種，卷積神經網路(Convolutional Neural Network) 此網路方法將在第二章作詳細說明。
7