口水话太多，还是引入几个专业术语来提升提升文章的逼格吧。

很容易看出来：机器学习是一种实现人工智能的方法，而深度学习则是实现机器学习的一种技术。

深度学习，说白了就是：我们建立一个模型，把一堆训练数据不停的往里扔，根据当前模型算出来的结果与真实结果的差异来修正模型参数，直到这个模型能真正反映训练数据。再白一点就是：已知曲线过几个点，求这个曲线的方程——经过的这几个点就是我们的数据，算出来的方程就是我们最终训练出来的模型 。

强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。

为了让我们的人工智能更加智能，能够举一反三，所以还需要迁移学习。

Transfer learning or inductive transfer is a research problem in machine learning that focuses on storing knowledge gained while solving one problem and applying it to a different but related problem.[1] For example, knowledge gained while learning to recognize cars could apply when trying to recognize trucks. This area of research bears some relation to the long history of psychological literature on transfer of learning, although formal ties between the two fields are limited.

瞄了一眼文章的标题，感觉稍微有点跑题。

好了，现在开始科普无人驾驶。在无人驾驶前先了解下机器学习入门的 Hello World 程序：手写数字识别（还要继续跑题）

对于手写数字识别，我们的输入是写着1234567890的一张张图片，还有这一张张照片本来代表的数字的标记，也就是我们需要求解的方程y=ax+b里面的x（手写数字图片）、y （图片上的数字到底是几） 。

图片是x？（书读得少，不要骗我，以前数学老师没讲过x可以代表图片哦）计算机二进制晓得噻，01010010是啥，我也不知道，只是经过约定好的规则转换过来显示在屏幕上人类才能识别。人与人之间的交流也是一样的，我们的祖先不知道从什么时候开始约定用“人”这个符号代表我们这个物种；等哪天大家都说“狗”这个字笔画多些，显得大气，跟我们这个物种的身份更匹配，那么我们从此以后就改叫“狗类”。其实都一样，我们这样约定了之后，大家再说“狗类”的时候，我们就晓得是在说我们自己了。一点也不影响我们要表达的意思。

回到刚刚的“x可以代表图片”问题。图片是什么，电脑里面的图片并不是真正意义上的图片。照相机的CMOS记录的是曝光一瞬间CMOS各个位置的亮度信息，而亮度就是0-255（或者0-1，跟刚才说的一样，只要大家约定好一点不影响）之间的一个数值。

好了，既然x和y都是数字，现在可以放心的代入方程 y = ax+b 求a、b（这个过程就叫神经网络的训练），求出的方程（模型）我们就可以拿来识别数字。显然，a、b已知，代入x ，算出的y就是模型的识别结果。

当然，刚刚你也看到了，图片的数组里面有很多数字，一个x是远远无法代表的，所以我们需要很多的x，x1、x2、x3 、...、 xn，很多的方程，方程嵌套方程——所谓神经网络（Neural Network）就像下面这种：

还有这种：

不懂也没关系，反正知道通过梯度下降，反向传播算法最后确实可以把那一个个参数算出来就行。反正是科普嘛，了解得太深入那不成了科研？

才疏学浅，我也有点懵逼。不知道DeepMind那帮人脑子里面都装了些啥，AlphaGo Zero这样的程序也能写出来，程序员与程序员的差距咋就这么大呢 [好好反省]

打总结：总之，像手写数字识别这种，只要知道输入图片和图片对应的数字就可以求出方程 [假装懂了] ——总感觉表情不够用 。

无人驾驶其实和手写数字识别一样，也使用深度学习技术。而在无人驾驶的车辆上面，我们会在车辆前方安装一台照相机，还有一个测量方向盘当前角度的仪器。在训练的时候（由人驾驶车辆），照相机负责不停的拍照，获取车上视觉拍摄到的马路照片；与此同时从方向盘角度测量仪获取角度值。

下面两张图片分别是汽车左转和右转的时候拍摄的马路照片：

所谓无人驾驶就是这么回事，这下明白了吧，Give me five !