“感謝深度學習，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，最近這半年有關人工智能和深度學習的新聞層出不窮：李世石大戰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”），甚至實現讓機器寫詩作曲……看起來人工智能的發展前景異常樂觀。

　　人工智能或許不難理解——望文生義即可。然而，什么是“深度學習”呢？百度百科給出的解釋是：深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習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，以發現數據的分布式特征表示。
　　舉個臭氧層以內的例子就是，你要讓機器認知貓這個動物，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、形態等樣例的特征來完成自我學習，即便一個幼童經過一段時間的訓練也是可以辨認的；而機器的深度學習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、深度學習這項“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、生活中一些看似最尋常的事情當然最好不過了。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）的汽車行業工程師，便運用深度學習的方法，為種植黃瓜的父母搭建了一套自動分揀黃瓜的系統。
　　小池的父母從事黃瓜種植業，自家有著規模不小的黃瓜種植農場。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、質地各不相同，需要人工將黃瓜的質量進行分類，根據質量的高低，售價也各不相同。

　　小池與其父母在黃瓜園內

　　這是一項及其繁瑣、細碎又耗時、費力的工作，在黃瓜收獲的旺季里，小池的母親平均每天要花費超過8小時來進行黃瓜的分揀工作。
　　有著多年汽車行業經驗，見慣了汽車生產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，也需要花費相當長的培訓期，更何況是機器。在日本，對蔬菜品類并沒有統一的行業標準，而是由各個農場自主決定所產出的農作物優劣標準，小池父母的農場將自己產出的黃瓜的質量總共分成9個檔次，小池說，自己也是最近才跟母親學會如何精確分揀黃瓜的技術。

　　按照長度、形狀、質地、顏色等要素被分為9個檔次的黃瓜
　　考慮到分揀黃瓜的復雜度和精確度的要求，小池決定運用深度學習的方法來進行這一套自動系統的搭建，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，小池認為，正是AlphaGo取得的成功啟發了他通過深度學習技術來進行黃瓜分揀自動系統的搭建。

黃瓜分揀自動系統深度學習系統流程

　　具體來看，小池的這一套系統運用了谷歌的開源系統Tensorflow，通過圖像識別，并與硬件控制器相結合，最終實現分揀的過程。　　
　　從圖像識別這一過程來看，通過對訓練數據集的學習，電腦能夠知道圖像中最重要的“元素”是哪些，然后根據重要性排序，從而實現分類。

　　完成后的黃瓜自動分揀系統
　　但這一套方法在實際運用中仍面臨很多挑戰。首先系統要求訓練數據量足夠多，為了訓練這一系統，小池花費了3個月的時間輸入了7000個已經被他母親分類好的黃瓜的圖像，但是這一數據量還遠遠不夠，帶來的問題是在實際運用中，分揀的準確度不夠高。小池說，實際使用中的準確度僅為70%。
　　第二方面的挑戰在于受到計算資源的限制，難以進行復雜度更高的實時運算。盡管小池的這套系統已經將黃瓜的圖片訓練數據轉換成80*80的低分辨率圖像，但依然花費了一臺普通的Windows個人電腦2至3天的時間完成7000幅圖片的模型訓練。
　　基于上述限制，小池的自動分揀系統目前只能對黃瓜的形狀、長度和曲度三個參數進行分揀識別，顏色、質地、表面皺褶等參數還無法納入進來。
　　要突破這些障礙進行更大規模、更大深度的深度學習就需要用到更多的計算資源，這時對于普通開發者來說，就只能借助于云端服務器的幫助了。