深度学习(Deep Learning)，又名深度神经网络，前身是一只感知机。生于达特茅斯会议次年的ta，注定与人工智能有着不解之缘。人工智能中的各种机器学习方法，从初期的符号学习到后来统计学习再到现在的深度学习，往往代表了学派之争。初来咋到的感知机何以敢跟当时的霸主——『符号主义』（symbolicism）分争天下？因为ta有个爹叫『联结主义』(connectionism)。两门派针锋相对的历史在这暂且不表，先来看看这位初生牛犊，感知机，如何一步步成长为今日叱咤风云的深度学习的。
『感知机』(perceptron)，一个神秘的名字，到底是什么？虽然借用了人类大脑神经元连接的隐喻，但其终究不过是一个有着输入和输出两层神经元的线性分类器。然而世事并不总是线性的，一个连XOR都解决不了的线性分类器如何委以重任？人工智能的爸爸之一，明斯基（Marvin Minsky），甚至专门出了本书《感知机》将其批判了一番，殊不知正是这本书，差点将深度学习扼杀于襁褓之中。大佬一发话，各路人马纷纷饮恨而归，相忘于江湖，神经网络就此进入寒冬期。
图1.达特茅斯会议五十年重聚首，中间那位是明斯基，于2016年1月24日辞世
多数人放弃了，但有人坚持了下来。为了解决非线性可分的问题，人类（Rumelhart、Williams、Hinton、LeCun等）为感知机加了些隐藏层（hidden layer）,于是『多层感知机』便诞生了，这种每层神经元只与下层连接、神经元之间不同层连接的神经网络结构就是一个最基本的神经网络，『前馈神经网络』（feedforward networks）。如何训练这个庞然大物，在当时依然不甚明了。直到八十年代中，BP算法的横空出世，重新燃起了联结主义的希望。BP算法为训练多层网络提供了简洁优雅的微积分解决方案，使得神经网络成为现实可用的模型。到此为止，就是神经网络的第二次潮起。不难想见的是，虽然随着神经网络层数的增加，模型能拟合越来越复杂的函数，但如何避免局部最优解，如何避免梯度消失，仍无行之有效的方法。统计学习理论也在此期间登堂入室，大有取而代之之势。神经网络再次被打入冷宫。
直到新千年的到来。随着计算能力的大幅提升和大数据的涌现，及ReLU、pre-training等训练方法的出现，神经网络重新以『深度学习』的名字再现江湖，并在2012年横扫了各大模式识别竞赛，至此再无败绩。互联网巨头们见形势利好，也纷纷披甲上阵，投入巨资，深度学习开始一路狂奔向人生巅峰。有趣的是，神经网络的兴衰史恰好也是其更名换姓史——从『感知机』到『神经网络』再到今天炙手可热的『深度学习』，每换一次名字，就涅槃一次，可见一个好名字的重要性。若用五个字概括这次深度学习的复兴，我想大概是——新瓶装旧酒，不对，应该是，时势造英雄。人工智能的车轮滚滚向前，三十年河东，三十年河西。这次联结主义占尽了风头，下一次，又会是谁？
图2. 著名模式识别竞赛ImageNet：Large Scale Visual Recognition Challenge
希望了解更多的算法细节？知识核本期视频将为你详细解构深度学习背后的成长史，欢迎收看。
视频地址 http://v.qq.com/boke/page/u/0/9/u03034kx929.html
与我们交流，请联系：
微信公众号：知识核
邮箱：coreknowledge@163.com
