“感謝深度學(xué)習(xí)，讓人工智能有一個(gè)光明的未來(lái)”，一位國(guó)外的科技博客作者這樣說(shuō)。是的，最近這半年有關(guān)人工智能和深度學(xué)習(xí)的新聞層出不窮：李世石大戰(zhàn)AlphaGo、無(wú)人駕駛汽車不斷嘗試路試根本停不下來(lái)（也包括特斯拉撞車之前的“停不下來(lái)”），甚至實(shí)現(xiàn)讓機(jī)器寫(xiě)詩(shī)作曲……看起來(lái)人工智能的發(fā)展前景異常樂(lè)觀。

　　人工智能或許不難理解——望文生義即可。然而，什么是“深度學(xué)習(xí)”呢？百度百科給出的解釋是：深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。含多隱層的多層感知器就是一種深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過(guò)組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。
　　舉個(gè)臭氧層以內(nèi)的例子就是，你要讓機(jī)器認(rèn)知貓這個(gè)動(dòng)物，那就給它看成千上萬(wàn)的照片，告訴它那只是貓、哪只不是。同樣的事情，人類的大腦會(huì)通過(guò)概括輪廓、樣貌、身形尺寸、形態(tài)等樣例的特征來(lái)完成自我學(xué)習(xí)，即便一個(gè)幼童經(jīng)過(guò)一段時(shí)間的訓(xùn)練也是可以辨認(rèn)的；而機(jī)器的深度學(xué)習(xí)也是利用類似的原理。
　　但以上這些都顯得太過(guò)高大上了，人工智能、深度學(xué)習(xí)這項(xiàng)“黑科技”也是需要接地氣的案例才能讓我們更加親近，能夠幫助我們解決生產(chǎn)、生活中一些看似最尋常的事情當(dāng)然最好不過(guò)了。碰巧最近日本就傳來(lái)了這么一則消息：
　　在日本，一位名叫小池（Koike）的汽車行業(yè)工程師，便運(yùn)用深度學(xué)習(xí)的方法，為種植黃瓜的父母搭建了一套自動(dòng)分揀黃瓜的系統(tǒng)。
　　小池的父母從事黃瓜種植業(yè)，自家有著規(guī)模不小的黃瓜種植農(nóng)場(chǎng)。但在享受到黃瓜收成的喜悅的同時(shí)，一樁煩惱也同期而至。由于黃瓜的長(zhǎng)短、厚度、形狀、顏色、質(zhì)地各不相同，需要人工將黃瓜的質(zhì)量進(jìn)行分類，根據(jù)質(zhì)量的高低，售價(jià)也各不相同。

　　小池與其父母在黃瓜園內(nèi)

　　這是一項(xiàng)及其繁瑣、細(xì)碎又耗時(shí)、費(fèi)力的工作，在黃瓜收獲的旺季里，小池的母親平均每天要花費(fèi)超過(guò)8小時(shí)來(lái)進(jìn)行黃瓜的分揀工作。
　　有著多年汽車行業(yè)經(jīng)驗(yàn)，見(jiàn)慣了汽車生產(chǎn)流水線上各種自動(dòng)化工序的小池由此想到，何不建立一套黃瓜自動(dòng)分揀系統(tǒng)來(lái)省去人工的麻煩。
　　但黃瓜的分揀并不是一樁容易的工作，即便從人的角度來(lái)說(shuō)，要熟練這一技術(shù)，也需要花費(fèi)相當(dāng)長(zhǎng)的培訓(xùn)期，更何況是機(jī)器。在日本，對(duì)蔬菜品類并沒(méi)有統(tǒng)一的行業(yè)標(biāo)準(zhǔn)，而是由各個(gè)農(nóng)場(chǎng)自主決定所產(chǎn)出的農(nóng)作物優(yōu)劣標(biāo)準(zhǔn)，小池父母的農(nóng)場(chǎng)將自己產(chǎn)出的黃瓜的質(zhì)量總共分成9個(gè)檔次，小池說(shuō)，自己也是最近才跟母親學(xué)會(huì)如何精確分揀黃瓜的技術(shù)。

　　按照長(zhǎng)度、形狀、質(zhì)地、顏色等要素被分為9個(gè)檔次的黃瓜
　　考慮到分揀黃瓜的復(fù)雜度和精確度的要求，小池決定運(yùn)用深度學(xué)習(xí)的方法來(lái)進(jìn)行這一套自動(dòng)系統(tǒng)的搭建，他說(shuō)自己的這一靈感來(lái)自于谷歌前一段時(shí)間名聲大噪的AlphaGo，小池認(rèn)為，正是AlphaGo取得的成功啟發(fā)了他通過(guò)深度學(xué)習(xí)技術(shù)來(lái)進(jìn)行黃瓜分揀自動(dòng)系統(tǒng)的搭建。

黃瓜分揀自動(dòng)系統(tǒng)深度學(xué)習(xí)系統(tǒng)流程

　　具體來(lái)看，小池的這一套系統(tǒng)運(yùn)用了谷歌的開(kāi)源系統(tǒng)Tensorflow，通過(guò)圖像識(shí)別，并與硬件控制器相結(jié)合，最終實(shí)現(xiàn)分揀的過(guò)程?！　?BR>　　從圖像識(shí)別這一過(guò)程來(lái)看，通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集的學(xué)習(xí)，電腦能夠知道圖像中最重要的“元素”是哪些，然后根據(jù)重要性排序，從而實(shí)現(xiàn)分類。

　　完成后的黃瓜自動(dòng)分揀系統(tǒng)
　　但這一套方法在實(shí)際運(yùn)用中仍面臨很多挑戰(zhàn)。首先系統(tǒng)要求訓(xùn)練數(shù)據(jù)量足夠多，為了訓(xùn)練這一系統(tǒng)，小池花費(fèi)了3個(gè)月的時(shí)間輸入了7000個(gè)已經(jīng)被他母親分類好的黃瓜的圖像，但是這一數(shù)據(jù)量還遠(yuǎn)遠(yuǎn)不夠，帶來(lái)的問(wèn)題是在實(shí)際運(yùn)用中，分揀的準(zhǔn)確度不夠高。小池說(shuō)，實(shí)際使用中的準(zhǔn)確度僅為70%。
　　第二方面的挑戰(zhàn)在于受到計(jì)算資源的限制，難以進(jìn)行復(fù)雜度更高的實(shí)時(shí)運(yùn)算。盡管小池的這套系統(tǒng)已經(jīng)將黃瓜的圖片訓(xùn)練數(shù)據(jù)轉(zhuǎn)換成80*80的低分辨率圖像，但依然花費(fèi)了一臺(tái)普通的Windows個(gè)人電腦2至3天的時(shí)間完成7000幅圖片的模型訓(xùn)練。
　　基于上述限制，小池的自動(dòng)分揀系統(tǒng)目前只能對(duì)黃瓜的形狀、長(zhǎng)度和曲度三個(gè)參數(shù)進(jìn)行分揀識(shí)別，顏色、質(zhì)地、表面皺褶等參數(shù)還無(wú)法納入進(jìn)來(lái)。
　　要突破這些障礙進(jìn)行更大規(guī)模、更大深度的深度學(xué)習(xí)就需要用到更多的計(jì)算資源，這時(shí)對(duì)于普通開(kāi)發(fā)者來(lái)說(shuō)，就只能借助于云端服務(wù)器的幫助了。