一个女人，背着7宗命案，潜逃国内23年。自以为很侥幸，然而天网恢恢，疏而不漏。一颗摄像头，最终还是“抓”到杀人犯劳荣枝。

被抓前的过程是酱婶儿的，据央视新闻，11月28日，厦门市思明公安分局刑侦大队，通过大数据信息研判发现，一名疑似命案逃犯劳某枝的女子，出现在厦门某商场一带。

随后，警方通过DNA数据对比，确定她就是命案逃犯。

这已经不是警方第一次，通过人脸识别大数据+DNA数据比对来抓坏人了。

“北大弑母案”的凶手吴谢宇，也是在重庆江北机场送人时，被摄像头捕获人脸，警方根据大数据对比，确认是吴本人，最终吴谢宇落网。

此外，截止目前，警方还从张学友演唱会上，抓了不少逃犯。

2018年张学友演唱会苏州站，22名在逃人员落网。这其中，也涉及到人工智能和大数据技术。

为什么过了23年，大数据还能认出来是她们呢？

事实上，逃亡期间，劳荣枝还曾整容，但是人类的颅骨、瞳距、虹膜却不会变化。

所以，以深度学习为基础的人脸识别技术，才能认出来她就是逃犯。

“笑问客从何处来”，深度学习有答案

所谓深度学习，其实指的就是训练神经网络的过程。

神经网络，就像你的大脑一样有记忆。

举个例子：你给一个神经网络，看过你家猫在睡觉、吃猫粮、静蹲和跳跃时的不同照片，那么神经网络就会记住这只猫呈现在照片中的所有特征。这只猫也许以后会变胖、毛发也会减少，但是神经网络已经牢牢记住这只猫的不变的特征。

用术语来说，就是“当一张图像流过神经网络的时候，会进行特征点提取，而所谓的特征点，在数学上就是一个高维坐标”。

深度学习的诞生和优势

早在上世纪八九十年代，就已经有深度学习的存在，但是当时可分析的数据量太小，所以深度学习并没有引起注意。

2006年， 深度学习教父杰弗里·希尔顿（Geofrey Hinton ）提出快速计算“受限玻耳兹曼机”网络权值及偏差的CD-K算法，这直接导致DBN等深度网络的诞生。

它的优势在于：第一，深度学习拥有持久学习力，数据规模变大，它的性能会跟着变强；第二，深度学习可以直接从数据中提取特征，可谓省时省力。

深度学习在国内外的应用

在国内，阿里巴巴、科大讯飞、百度和中科院自动化所等公司或研究单位，都在研究基于深度学习的语音识别或人脸识别。

比如，2019年3月，马老师就曾在德国汉诺威IT展览会上，向德国总理默克尔展示支付宝的刷脸支付。

几个月后，蚂蚁金服高级专家张洁，曾在采访中表示，“支付宝人脸识别深度学习采用的是x60人脸区域（Patch）的多层卷积神经网络。多层卷积神经网络有三个核心，局部感知 、全值共享、时间或空间亚采样，这三种思想的结合保证了在一定程度上获得位移、尺度和形变不变性。”

此外，科大讯飞的语音识别技术、微信语音识别技术，都一定程度上使用到深度学习。

感想：看到这些，不得不感叹技术的力量，科技真的能改变一切；想想眼前的外贸困境，想想近些年涌现的各种客户开发新方法新平台，突然感觉豁然开朗了。或许真的应该去尝试一下新方法了，这些方法在技术的推动下也在更新换代，有些外贸平台已经和人工智能技术紧密融合了，或许真的可以帮助我走出困境、开发出很多新客户。