“感謝深度學(xué)習(xí)，讓人工智能有一個光明的未來”，一位國外的科技博客作者這樣說。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、無人駕駛汽車不斷嘗試路試根本停不下來（也包括特斯拉撞車之前的“停不下來”），甚至實現(xiàn)讓機(jī)器寫詩作曲……看起來人工智能的發(fā)展前景異常樂觀。

　　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。
　　舉個臭氧層以內(nèi)的例子就是，你要讓機(jī)器認(rèn)知貓這個動物，那就給它看成千上萬的照片，告訴它那只是貓、哪只不是。同樣的事情，人類的大腦會通過概括輪廓、樣貌、身形尺寸、形態(tài)等樣例的特征來完成自我學(xué)習(xí)，即便一個幼童經(jīng)過一段時間的訓(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高大上了，人工智能、深度學(xué)習(xí)這項“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)然最好不過了。碰巧最近日本就傳來了這么一則消息：
　　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。但在享受到黃瓜收成的喜悅的同時，一樁煩惱也同期而至。由于黃瓜的長短、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，售價也各不相同。

　　小池與其父母在黃瓜園內(nèi)

　　這是一項及其繁瑣、細(xì)碎又耗時、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8小時來進(jìn)行黃瓜的分揀工作。
　　有著多年汽車行業(yè)經(jīng)驗，見慣了汽車生產(chǎn)流水線上各種自動化工序的小池由此想到，何不建立一套黃瓜自動分揀系統(tǒng)來省去人工的麻煩。
　　但黃瓜的分揀并不是一樁容易的工作，即便從人的角度來說，要熟練這一技術(shù)，也需要花費(fèi)相當(dāng)長的培訓(xùn)期，更何況是機(jī)器。在日本，對蔬菜品類并沒有統(tǒng)一的行業(yè)標(biāo)準(zhǔn)，而是由各個農(nóng)場自主決定所產(chǎn)出的農(nóng)作物優(yōu)劣標(biāo)準(zhǔn)，小池父母的農(nóng)場將自己產(chǎn)出的黃瓜的質(zhì)量總共分成9個檔次，小池說，自己也是最近才跟母親學(xué)會如何精確分揀黃瓜的技術(shù)。

　　按照長度、形狀、質(zhì)地、顏色等要素被分為9個檔次的黃瓜
　　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)的方法來進(jìn)行這一套自動系統(tǒng)的搭建，他說自己的這一靈感來自于谷歌前一段時間名聲大噪的AlphaGo，小池認(rèn)為，正是AlphaGo取得的成功啟發(fā)了他通過深度學(xué)習(xí)技術(shù)來進(jìn)行黃瓜分揀自動系統(tǒng)的搭建。

黃瓜分揀自動系統(tǒng)深度學(xué)習(xí)系統(tǒng)流程

　　具體來看，小池的這一套系統(tǒng)運(yùn)用了谷歌的開源系統(tǒng)Tensorflow，通過圖像識別，并與硬件控制器相結(jié)合，最終實現(xiàn)分揀的過程?！　?BR>　　從圖像識別這一過程來看，通過對訓(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，從而實現(xiàn)分類。

　　完成后的黃瓜自動分揀系統(tǒng)
　　但這一套方法在實際運(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個月的時間輸入了7000個已經(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，帶來的問題是在實際運(yùn)用中，分揀的準(zhǔn)確度不夠高。小池說，實際使用中的準(zhǔn)確度僅為70%。
　　第二方面的挑戰(zhàn)在于受到計算資源的限制，難以進(jìn)行復(fù)雜度更高的實時運(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)了一臺普通的Windows個人電腦2至3天的時間完成7000幅圖片的模型訓(xùn)練。
　　基于上述限制，小池的自動分揀系統(tǒng)目前只能對黃瓜的形狀、長度和曲度三個參數(shù)進(jìn)行分揀識別，顏色、質(zhì)地、表面皺褶等參數(shù)還無法納入進(jìn)來。
　　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算資源，這時對于普通開發(fā)者來說，就只能借助于云端服務(wù)器的幫助了。