-机器人的学习研究进展：深度学习及应用

机器人的学习研究进展：深度学习及应用内容1.深度学习概述2.深度学习应用研究1.深度学习概述1.1概述1.2背景1.3人脑视觉机理1.4关于特征1.5深度学习的基本思想1.6浅层学习（ShallowLearning）和深度学习（DeepLearning）1.深度学习概述1.7Deeplearning与NeuralNetwork1.8Deeplearning训练过程1.9DeepLearning的常用模型或者方法1.1概述ArtificialIntelligence，也就是人工智能，就像长生不老和星际漫游一样，是人类最美好的梦想之一。虽然计算机技术已经取得了长足的进步，但是到目前为止，还没有一台电脑能产生“自我”的意识。的确如此，在人类和大量现成数据的帮助下，电脑可以表现的十分强大，但是离开了这两者，它甚至都不能分辨一个喵星人和一个汪星人。1.1概述图灵（计算机和人工智能的鼻祖，分别对应于其著名的“图灵机”和“图灵测试”）在1950年的论文里，提出图灵试验的设想，即，隔墙对话，你将不知道与你谈话的，是人还是电脑。这无疑给计算机，尤其是人工智能，预设了一个很高的期望值。但是半个世纪过去了，人工智能的进展，远远没有达到图灵试验的标准。这不仅让多年翘首以待的人们，心灰意冷，认为人工智能是忽悠，相关领域是“伪科学”。1.1概述但是自2006年以来，机器学习领域，取得了突破性的进展。图灵试验，至少不是那么可望而不可及了。至于技术手段，不仅仅依赖于云计算对大数据的并行处理能力，而且依赖于算法。这个算法就是，DeepLearning。借助于DeepLearning算法，人类终于找到了如何处理“抽象概念”这个亘古难题的方法。1.1概述2012年6月，《纽约时报》披露了GoogleBrain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学的机器学习教授AndrewNg和在大规模计算机系统方面的世界顶尖专家JeffDean共同主导，用16000个CPUCore的并行计算平台训练一种称为“深度神经网络”（DNN，DeepNeuralNetworks）的机器学习模型（内部共有10亿个节点。1.1概述这一网络自然是不能跟人类的神经网络相提并论的。要知道，人脑中可是有150多亿个神经元，互相连接的节点也就是突触数更是如银河沙数。曾经有人估算过，如果将一个人的大脑中所有神经细胞的轴突和树突依次连接起来，并拉成一根直线，可从地球连到月亮，再从月亮返回地球）。“深度神经网络”在语音识别和图像识别等领域获得了巨大的成功。1.1概述项目负责人之一Andrew称：“我们没有像通常做的那样自己框定边界，而是直接把海量数据投放到算法中，让数据自己说话，系统会自动从数据中学习。”另外一名负责人Jeff则说：“我们在训练的时候从来不会告诉机器说：‘这是一只猫。’系统其实是自己发明或者领悟了“猫”的概念。”1.1概述2012年11月，微软在中国天津的一次活动上公开演示了一个全自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自动完成语音识别、英中机器翻译和中文语音合成，效果非常流畅。据报道，后面支撑的关键技术也是DNN，或者深度学习（DL，DeepLearning）。2013年1月，在百度年会上，创始人兼CEO李彦宏高调宣布要成立百度研究院，其中第一个成立的就是“深度学习研究所”（IDL，InstitueofDeepLearning）。1.1概述为什么拥有大数据的互联网公司争相投入大量资源研发深度学习技术。听起来感觉deeplearning很牛那样。那什么是deeplearning？为什么有deeplearning？它是怎么来的？又能干什么呢？目前存在哪些困难呢？这些问题的简答都需要慢慢来。咱们先来了解下机器学习（人工智能的核心）的背景。1.2背景机器学习（MachineLearning）是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。1959年美国的塞缪尔(Samuel)设计了一个下棋程序，这个程序具有学习能力，它可以在不断的对弈中改善自己的棋艺。4年后，这个程序战胜了设计者本人。又过了3年，这个程序战胜了美国一个保持8年之久的常胜不败的冠军。这个程序向人们展示了机器学习的能力，提出了许多令人深思的社会问题与哲学问题。1.2背景机器学习虽然发展了几十年，但还是存在很多没有良好解决的问题：1.2背景例如图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等等。目前我们通过机器学习去解决这些问题的思路都是这样的（以视觉感知为例子）：1.2背景从开始的通过传感器（例如CMOS）来获得数据。然后经过预处理、特征提取、特征选择，再到推理、预测或者识别。最后一个部分，也就是机器学习的部分，绝大部分的工作是在这方面做的，也存在很多的学术论文和研究。而中间的三部分，概括起来就是特征表达。良好的特征表达，对最终算法的准确性起了非常关键的作用，而且系统主要的计算和测试工作都耗在这一大部分。但是这块实际中一般都是人工完成的，即靠人工提取特征。1.2背景截止现在，也出现了不少优秀特征表示方式（好的特征应具有不变性（大小、尺度和旋转等）和可区分性）。例如Sift的出现，是局部图像特征描述子研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，的确让很多问题的解决变为可能。但它也不是万能的。1.2背景然而，手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。既然手工选取特征不太好，那么能不能自动地学习一些特征呢？答案是能！DeepLearning就是用来干这个事情的，看它的一个别名UnsupervisedFeatureLearning，就可以顾名思义了，Unsupervised的意思就是不要人参与特征的选取过程。1.2背景那它是怎么学习的呢？怎么知道哪些特征好哪些不好呢？我们说机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为的学科。那人类的视觉系统是怎么工作的呢？为什么在茫茫人海，芸芸众生，滚滚红尘中我们都可以找到另一个她（因为，你存在我深深的脑海里，我的梦里、我的心里、我的歌声里……）。1.2背景人脑那么优秀，我们能不能参考人脑，模拟人脑呢？（注：好像和人脑扯上点关系的特征、算法，都不错，但不知道是不是人为强加的，为了使自己的研究变得神圣和高雅。）近几十年以来，认知神经科学、生物学等等学科的发展，让我们对自己这个神秘的而又神奇的大脑不再那么的陌生。也给人工智能的发展推波助澜。1.3人脑视觉机理1981年的诺贝尔医学/生理学奖，颁发给了DavidHubel（出生于加拿大的美国神经生物学家）和TorstenWiesel以及RogerSperry。前两位的主要贡献，是“发现了视觉系统的信息处理机制”，发现可视皮层是分级的。如“人见到蛇的情景”。1.3人脑视觉机理我们看看他们做了什么。1958年，DavidHubel和TorstenWiesel在JohnHopkinsUniversity研究了瞳孔区域与大脑皮层神经元的对应关系。他们在猫的后脑头骨上开了一个3毫米的小洞，向洞里插入电极，测量神经元的活跃程度。然后，他们在小猫的眼前，展现各种形状、各种亮度的物体。并且，在展现每一件物体时，还改变物体放置的位置和角度。他们期望通过这个办法，让小猫瞳孔感受不同类型、不同强弱的刺激。1.3人脑视觉机理之所以做这个试验，目的是去证明一个猜测：位于后脑皮层的不同视觉神经元，与瞳孔所受刺激之间，存在某种对应关系。一旦瞳孔受到某一种刺激，后脑皮层的某一部分神经元就会活跃。经历了很多天反复的枯燥的试验，同时牺牲了若干只可怜的小猫，DavidHubel和TorstenWiesel发现了一种被称为“方向选择性细胞（OrientationSelectiveCell）”的神经元细胞。当瞳孔发现了眼前的物体的边缘，而且这个边缘指向某个方向时，这种神经元细胞就会活跃。这个发现激发了人们对于神经系统的进一步思考。神经-中枢-大脑的工作过程，或许是一个不断迭代、不断抽象的过程。1.3人脑视觉机理这里的关键词有两个，一个是抽象，一个是迭代。从原始信号，做低级抽象，逐渐向高级抽象迭代。人类的逻辑思维，经常使用高度抽象的概念。例如，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定，眼前的物体的形状，是圆形的），然后进一步抽象（大脑进一步判定该物体是只气球）。再比如人脸识别，如下图：1.3人脑视觉机理这个生理学的发现，促成了计算机人工智能在四十年后的突破性发展。总的来说，人的视觉系统的信息处理是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层，整个目标、目标的行为等。也就是说高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，就越利于分类。例如，单词集合和句子的对应是多对一的，句子和语义的对应又是多对一的，语义和意图的对应还是多对一的，这是个层级体系。1.3人脑视觉机理敏感的人注意到这个关键词了：分层。而Deeplearning的deep是不是就表示我存在多少层，也就是多深呢？对。那Deeplearning是如何借鉴这个过程的呢？毕竟是归于计算机来处理，面对的一个问题就是怎么对这个过程进行建模？因为我们要学习的是特征的表达，那么关于特征，或者说关于这个层级特征，我们需要了解地更深入点。所以在说DeepLearning之前，我们下面有必要解释一下特征。1.4关于特征特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。如果数据被很好地表达成了特征，通常线性模型就能达到满意的精度。那对于特征，我们需要考虑什么呢？1.4关于特征1.4.1特征表示的粒度1.4.2初级（浅层）特征表示1.4.3结构性特征表示1.4.4需要有多少个特征1.4.1特征表示的粒度学习算法在一个什么粒度上的特征表示，才有能发挥作用？就一个图片来说，像素级的特征根本没有价值。例如上面的摩托车，从像素级别，根本得不到任何信息，其无法进行摩托车和非摩托车的区分。1.4.1特征表示的粒度而如果特征是一个具有结构性（或者说有含义）的时候，比如是否具有车把手（handle），是否具有车轮（wheel），就很容易把摩托车和非摩托车区分开来，学习算法才能发挥作用。1.4.2初级（浅层）特征表示既然像素级的特征表示方法没有作用，那怎样的表示才有用呢？1995年前后，BrunoOlshausen和DavidField两位学者任职CornellUniversity，他们试图同时用生理学和计算机的手段，双管齐下，研究视觉问题。他们收集了很多黑白风景照片，从这些照片中，提取出400个小碎片，每个小碎片的尺寸均为16x16像素，不妨把这400个碎片标记为S[i],i=0,..399。接下来，再从这些黑白风景照片中，随机提取另一个碎片，尺寸也是16x16像素，不妨把这个碎片标记为T。1.4.2初级（浅层）特征表示他们提出的问题是，如何从这400个碎片中，选取一组碎片S[k],通过叠加的办法，合成出一个新的碎片，而这个新的碎片应当与随机选择的目标碎片T尽可能相似，同时，S[k]的数量尽可能少。用数学的语言来描述，就是：Sum_k(a[k]*S[k])-->T,

其中a[k]是在叠加碎片S[k]时的权重系数。为解决这个问题，BrunoOlshausen和DavidField发明了一个算法，稀疏编码（SparseCoding）。1.4.2初级（浅层）特征表示稀疏编码是一个重复迭代的过程，每次迭代分两步：1）选择一组S[k]，然后调整a[k]，使得Sum_k(a[k]*S[k])最接近T；2）固定住a[k]，在400个碎片中，选择其它更合适的碎片S’[k]，替代原先的S[k]，使得Sum_k(a[k]*S’[k])最接近T。经过几次迭代后，最佳的S[k]组合被遴选出来。令人惊奇的是，被选中的S[k]基本上都是照片上不同物体的边缘线，这些线段形状相似，区别在于方向。1.4.2初级（浅层）特征表示BrunoOlshausen和DavidField的算法结果，与DavidHubel和TorstenWiesel的生理发现，不谋而合！也就是说，复杂图形往往由一些基本结构组成。比如下图：一个图可以通过用64种正交的edges（可以理解成正交的基本结构）来线性表示。比如样例的x可以用1-64个edges中的三个按照0.8,0.3,0.5的权重调和而成。而其他基本edge没有贡献，因此均为0。1.4.2初级（浅层）特征表示另外，许多专家还发现，不仅图像存在这个规律，声音也存在。他们从未标注的声音中发现了20种基本的声音结构，其余的声音可以由这20种基本结构合成。1.4.3结构性特征表示小块的图形可以由基本edge构成，更结构化，更复杂的，具有概念性的图形如何表示呢？这就需要更高层次的特征表示，比如V2，V4。因此V1看像素级是像素级。V2看V1是像素级，这个是层次递进的，高层表达由底层表达的组合而成。专业点说就是基basis。V1区提出的basis是边缘，然后V2层是V1层这些basis的组合，这时候V2区得到的又是高一层的basis，上上层又是上一层的组合basis结果...所以有专家说Deeplearning就是“搞基”，因为难听，所以美其名曰Deeplearning或者UnsupervisedFeatureLearning.1.4.3结构性特征表示直观上说，就是找到有意义的小碎片（patch），再将其进行组合（combine），就得到了上一层的特征（feature），递归地向上学习特征（learningfeature）。1.4.3结构性特征表示在不同对象（object）上做训练时，所得的边缘基（edgebasis）是非常相似的，但对象部分（objectparts）和模式（models）完全不同。这样便于图像的准确识别。1.4.3结构性特征表示

从文本来说，一个doc文档表示什么意思？我们描述一件事情，用什么来表示比较合适？用一个一个字嘛?不是，字就是像素级别了，起码应该是term（术语/词组），换句话说每个doc都由term构成;但这样表示概念的能力就够了嘛，可能也不够，需要再上一步，达到topic级，有了topic，再到doc就合理。但每个层次的数量差距很大，比如doc表示的概念->topic（千-万量级）->term（10万量级）->word（百万量级）。一个人在看一个doc的时候，眼睛看到的是word，由这些word在大脑里自动切词形成term，在按照概念组织的方式，先验的学习，得到topic，然后再进行高层次的learning。1.4.4需要有多少个特征我们知道需要层次的特征构建，由浅入深，但每一层该有多少个特征呢？任何一种方法，特征越多，给出的参考信息就越多，准确性会得到提升。但特征多意味着计算复杂，探索的空间大，可以用来训练的数据在每个特征上就会稀疏，都会带来各种问题，并不一定特征越多越好。小结上面我们谈到为什么会有Deeplearning（让机器自动学习良好的特征，而免去人工选取过程。还有参考人的分层视觉处理系统），我们得到一个结论就是Deeplearning需要多层来获得更抽象的特征表达。那么多少层才合适呢？用什么架构来建模呢？怎么进行非监督训练呢？1.5深度学习的基本思想假设我们有一个系统S，它有n层（S1,…Sn），它的输入是I，输出是O，形象地表示为：I=>S1=>S2=>…..=>Sn=>O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失。这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息（即输入I）的另外一种表示。现在回到我们的主题DeepLearning，我们需要自动地学习特征，假设我们有一堆输入I（如一堆图像或者文本），假设我们设计了一个系统S（有n层），我们通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…,Sn。1.5深度学习的基本思想对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。另外，前面是假设输出严格地等于输入，这个限制太严格，我们可以略微地放松这个限制，例如我们只要使得输入与输出的差别尽可能地小即可，这个放松会导致另外一类不同的DeepLearning方法。上述就是DeepLearning的基本思想。1.6浅层学习和深度学习1.6.1浅层学习（ShallowLearning）：机器学习第一次浪潮1.6.2深度学习（DeepLearning）：机器学习第二次浪潮1.6.1浅层学习：机器学习第一次浪潮20世纪80年代末期，用于人工神经网络的反向传播算法（也叫BackPropagation算法或者BP算法）的发明，给机器学习带来了希望，掀起了基于统计模型的机器学习热潮。这个热潮一直持续到今天。人们发现，利用BP算法可以让一个人工神经网络模型从大量训练样本中学习统计规律，从而对未知事件做预测。这种基于统计的机器学习方法比起过去基于人工规则的系统，在很多方面显出优越性。这个时候的人工神经网络，虽也被称作多层感知机（Multi-layerPerceptron），但实际是一种只含有一层隐层节点的浅层模型。1.6.1浅层学习：机器学习第一次浪潮20世纪90年代，各种各样的浅层机器学习模型相继被提出，例如支撑向量机（SVM，SupportVectorMachines）、Boosting、最大熵方法（如LR，LogisticRegression）等。这些模型的结构基本上可以看成带有一层隐层节点（如SVM、Boosting），或没有隐层节点（如LR）。这些模型无论是在理论分析还是应用中都获得了巨大的成功。相比之下，由于理论分析的难度大，训练方法又需要很多经验和技巧，这个时期深度人工神经网络反而相对沉寂。1.6.2深度学习：机器学习第二次浪潮2006年，加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton和他的学生RuslanSalakhutdinov在国际顶级期刊《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2）深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wisepre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。当前多数分类、回归等学习方法为浅层结构算法，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本中集中学习数据集本质特征的能力。（多层的好处是可以用较少的参数表示复杂的函数）1.6.2深度学习：机器学习第二次浪潮1.6.2深度学习：机器学习第二次浪潮深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。1.6.2深度学习：机器学习第二次浪潮1.7Deeplearning与NeuralNetwork深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。1.7Deeplearning与NeuralNetworkDeeplearning本身算是machinelearning的一个分支，简单可以理解为neuralnetwork的发展。大约二三十年前，neuralnetwork曾经是ML领域特别火热的一个方向，但是后来确慢慢淡出了，原因包括以下几个方面：1）比较容易过拟合，参数比较难调整，而且需要不少窍门；2）训练速度比较慢，在层次比较少（小于等于3）的情况下效果并不比其它方法更优；1.7Deeplearning与NeuralNetwork所以中间有大约20多年的时间，神经网络被关注很少，这段时间基本上是SVM和boosting算法的天下。但是，一个痴心的老先生Hinton，他坚持了下来，并最终（和其它人一起Bengio、Yann.lecun等）提成了一个实际可行的deeplearning框架。1.7Deeplearning与NeuralNetworkDeeplearning与传统的神经网络之间有相同的地方也有很多不同。相同点：deeplearning采用了神经网络相似的分层结构，系统由包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个逻辑回归模型；这种分层结构，是比较接近人类大脑的结构的。1.7Deeplearning与NeuralNetworkDeeplearning与NeuralNetwork异同而为了克服神经网络训练中的问题，DL采用了与神经网络很不同的训练机制。传统神经网络中，采用的是反向传播（BP）的方式进行。即采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前计算的输出值和实际的标记值之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。deeplearning整体上是一个layer-wise的训练机制。这样做的原因是因为，如果采用backpropagation的机制，对于一个deepnetwork（7层以上），残差传播到最前面的层已经变得太小，出现所谓的gradientdiffusion（梯度扩散）。这个问题在后面有所讨论。1.8Deeplearning训练过程1.8.1传统神经网络的训练方法为什么不能用在深度神经网络1.8.2deeplearning训练过程1.8.1传统神经网络的训练方法为什么不能用在深度神经网络BP算法作为传统训练多层网络的典型算法，实际上对仅含几层网络，该训练方法就已经很不理想。深度结构（涉及多个非线性处理单元层）非凸目标代价函数中普遍存在的局部最小是训练困难的主要来源。1.8.1传统神经网络的训练方法为什么不能用在深度神经网络BP算法存在的问题：（1）梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；（2）收敛到局部最小值：尤其是从远离最优区域开始的时候（随机值初始化会导致这种情况的发生）；（3）一般，我们只能用有标签的数据来训练：但大部分的数据是没标签的，而大脑可以从没有标签的数据中学习；1.8.2deeplearning训练过程如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合（因为深度网络的神经元和参数太多了）。1.8.2deeplearning训练过程2006年，hinton提出了在非监督数据上建立多层神经网络的一个有效方法，简单的说，分为两步，一是每次训练一层网络，二是调优，使原始表示x向上生成的高级表示r和该高级表示r向下生成的x'尽可能一致。方法是：1）首先逐层构建单层神经元，这样每次都是训练一个单层网络。2）当所有层训练完后，Hinton使用wake-sleep算法进行调优。1.8.2deeplearning训练过程将除最顶层的其它层间的权重变为双向的，这样最顶层仍然是一个单层神经网络，而其它层则变为了图模型。向上的权重用于“认知”，向下的权重用于“生成”。然后使用Wake-Sleep算法调整所有的权重。让认知和生成达成一致，也就是保证生成的最顶层表示能够尽可能正确的复原底层的结点。比如顶层的一个结点表示人脸，那么所有人脸的图像应该激活这个结点，并且这个结果向下生成的图像应该能够表现为一个大概的人脸图像。1.8.2deeplearning训练过程Wake-Sleep算法分为醒（wake）和睡（sleep）两个部分。1）wake阶段：认知过程（从现实到概念），通过外界的特征和向上的权重（认知权重）产生每一层的抽象表示（结点状态），并且使用梯度下降修改层间的下行权重（生成权重）。如：“如果现实跟我想象的不一样，改变我的权重使得我想象的东西就是这样的”。1.8.2deeplearning训练过程2）sleep阶段：生成过程（从概念到现实），通过顶层表示（醒时学得的概念）和向下权重（生成权重），生成底层的状态，同时修改层间向上的权重。如：“如果梦中的景象不是我脑中的相应概念，改变我的向上的权重（认知权重）使得这种景象在我看来就是这个概念”。deeplearning具体训练过程1）使用自下上升非监督学习（就是从底层开始，一层一层的往顶层训练）2）自顶向下的监督学习（就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调）1）使用自下上升非监督学习采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，是和传统神经网络区别最大的部分（这个过程可以看作是featurelearning过程）：具体的，先用无标定数据训练第一层，训练时先学习第一层的参数（这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层），由于模型capacity的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；2）自顶向下的监督学习基于第一步得到的各层参数进一步调整整个多层模型的参数，这一步是一个有监督训练过程；第一步类似神经网络的随机初始化初值过程，由于DL的第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果；所以，deeplearning效果好很大程度上归功于第一步的featurelearning过程。1.9DeepLearning的常用模型或者方法1.9.1AutoEncoder自动编码器1.9.2SparseCoding稀疏编码1.9.3RestrictedBoltzmannMachine(RBM)限制波尔兹曼机1.9.4DeepBeliefNetworks深度信念网络1.9.5ConvolutionalNeuralNetworks卷积神经网络1.9.1AutoEncoder自动编码器DeepLearning最简单的一种方法是利用人工神经网络的特点，人工神经网络（ANN）本身就是具有层次结构的系统，如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像PCA那样，找到可以代表原信息的主要成分。具体过程1）给定无标签数据，用非监督学习学习特征2）通过编码器产生特征，然后训练下一层，这样逐层训练3）有监督微调1）给定无标签数据，用非监督学习学习特征在我们之前的神经网络中，如第一个图，我们输入的样本是有标签的，即（input,target），这样我们根据当前输出和target（label）之间的差去改变前面各层的参数，直到收敛。但现在我们只有无标签数据，也就是右边的图。那么这个误差怎么得到呢？1）给定无标签数据，用非监督学习学习特征如下图，我们将input输入一个encoder编码器，就会得到一个code，这个code也就是输入的一个表示，那么我们怎么知道这个code表示的就是input呢？我们加一个decoder解码器，这时候decoder就会输出一个信息，那么如果输出的这个信息和一开始的输入信号input是很像的（理想情况下就是一样的），那很明显，我们就有理由相信这个code是靠谱的。所以，我们就通过调整encoder和decoder的参数，使得重构误差最小，这时候我们就得到了输入input信号的第一个表示了，也就是编码code了。因为是无标签数据，所以误差的来源就是直接重构后与原输入相比得到。1.9.4DeepBeliefNetworks深度信念网络DBNs是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布，对P(Observation|Label)和P(Label|Observation)都做了评估，而判别模型仅仅评估了后者而已，也就是P(Label|Observation)。对于在深度神经网络应用传统的BP算法的时候，DBNs遇到了以下问题：（1）需要为训练提供一个有标签的样本集；（2）学习过程较慢；（3）不适当的参数选择会导致学习收敛于局部最优解。1.9.4DeepBeliefNetworks深度信念网络1.9.4DeepBeliefNetworks深度信念网络DBNs由多个限制玻尔兹曼机（RestrictedBoltzmannMachines）层组成，一个典型的神经网络类型如图三所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。1.9.4DeepBeliefNetworks深度信念网络在最高两层，权值被连接到一起，这样更低层的输出将会提供一个参考的线索或者关联给顶层，这样顶层就会将其联系到它的记忆内容。而我们最关心的，最后想得到的就是判别性能，例如分类任务里面。1.9.4DeepBeliefNetworks深度信念网络在预训练后，DBN可以通过利用带标签数据用BP算法去对判别性能做调整。在这里，一个标签集将被附加到顶层（推广联想记忆），通过一个自下向上的，学习到的识别权值获得一个网络的分类面。这个性能会比单纯的BP算法训练的网络好。这可以很直观的解释，DBNs的BP算法只需要对权值参数空间进行一个局部的搜索，这相比前向神经网络来说，训练是要快的，而且收敛的时间也少。1.9.4DeepBeliefNetworks深度信念网络

DBNs的灵活性使得它的拓展比较容易。一个拓展就是卷积DBNs（ConvolutionalDeepBeliefNetworks(CDBNs)）。DBNs并没有考虑到图像的2维结构信息，因为输入是简单的从一个图像矩阵一维向量化的。而CDBNs就是考虑到了这个问题，它利用邻域像素的空域关系，通过一个称为卷积RBMs的模型区达到生成模型的变换不变性，而且可以容易得变换到高维图像。DBNs并没有明确地处理对观察变量的时间联系的学习上，虽然目前已经有这方面的研究，例如堆叠时间RBMs，以此为推广，有序列学习的dubbedtemporalconvolutionmachines刺激颞叶卷积机，这种序列学习的应用，给语音信号处理问题带来了一个让人激动的未来研究方向。1.9.4DeepBeliefNetworks深度信念网络目前，和DBNs有关的研究包括堆叠自动编码器，它是通过用堆叠自动编码器来替换传统DBNs里面的RBMs。这就使得可以通过同样的规则来训练产生深度多层神经网络架构，但它缺少层的参数化的严格要求。与DBNs不同，自动编码器使用判别模型，这样这个结构就很难采样输入采样空间，这就使得网络更难捕捉它的内部表达。但是，降噪自动编码器却能很好的避免这个问题，并且比传统的DBNs更优。它通过在训练过程添加随机的污染并堆叠产生场泛化性能。训练单一的降噪自动编码器的过程和RBMs训练生成模型的过程一样。强化节能减排实现绿色发展内容览要节能减排，世界正在行动为什么要节能减排什么是节能减排节能减排，我们正在行动0502010403目录CONTENTS一、什么是节能减排

在《中华人民共和国节约能源法》中定义的节能减排，是指加强用能管理，采取技术上可行、经济上合理以及环境和社会可以承受的措施，从能源生产到消费的各个环节，降低消耗、减少损失和污染物排放、制止浪费，有效、合理地利用能源。从具体意义上说，节能，就是降低各种类型的能源品消耗；减排，就是减少各种污染物和温室气体的排放，以最大限度地避免污染我们赖以生存的环境。二、为什么要节能减排1、节能减排是缓解能源危机的有效手段

当下，能源危机迫在眉睫，国外有关机构的统计结果显示：2010年中国的能源消耗超过美国，成为全球第一。2011年2月底，中国能源研究会公布最新统计数据显示，2010年我国一次能源消费量为32.5亿吨标准煤，同比增长6%，超过美国成为全球第一能源消费大国。统计数据称，2010年中国一次能源消费量为24.32亿吨油当量，同比增长11.2%，占世界能源消费总量的20.3%。美国一次能源消费量为22.86亿吨油当量，同比增长3.7%，占世界能源消费总量的19.0%。

根据全球已探明传统能源储量测算，按照当前能源消耗增长速度，传统的石化燃料（煤、石油、天然气）已经不够人类再使用一百年。目前新能源的开发利用方兴未艾，2010年全球有23%的能源需求来自再生能源，其中13%为传统的生物能，多半用于热能（例如烧柴），5.2%是来自水力，来自新的可再生能源（小于20MW的水力，现代的生物质能，风能，太阳，地热等）则只有4.7%。在再生能源发电方面，全球来自水力的占16%，来自新的再生能源者占5%。如果我们不对现有能源和资源节约使用，按照目前情况持续下去，有可能百年之后，人类将会部分进入一个“新石器时代”。2节能减排是保护自然生态环境的强力武器

这就是我们美丽的太阳系概念图从太空中拍摄到的蔚蓝色的精灵——地球如诗如画的乡间美景，逸趣横生的劳动生活！

这几乎就是我们每个人为之向往的家园！

然而我们目前不得不面对的却是自然生态环境的日益恶化！

“温室气体大量排放，发生温室效应，造成全球变暖，这已是不争的事实！”目前，在各种温室气体中，二氧化碳对温室效应的影响约占50%，而大气中的二氧化碳有70%是燃烧石化燃料排放的。我们可以了解到冰川融化、海平面上升、干旱蔓延、农作物生产力下降、动植物行为发生变异等气候变化带来的影响。我国最近两年干旱频发，有相当部分原因是受到全球气候变化问题的影响，而这也是我们目前面临的最复杂、最严峻的挑战之一。长江江西九江段裸露出来的江滩湘江长沙橘子洲以西河床（2009年）江西赣江南昌段裸露的桥墩（2009年）温室效应导致气候变化，打破降雨平衡，旱涝频发洪水泛滥——当大自然露出锋利的爪牙，

我们才发现自己原来是如此脆弱，不堪一击！温室效应导致冰川融化

北极熊等极地生命形态遭遇严重的生存危机受世界气候变化影响，曼谷遭遇洪水

温室效应导致的冰川融化还将造成海平面升高的后果，它将直接威胁到沿海国家以及30多个海岛国家的生存和发展。美国环保专家的预测更令人担忧，再过50年～70年，巴基斯坦国土的1/5、尼罗河三角洲的1/3以及印度洋上的整个马尔代夫共和国，都将因海平面升高而被淹没；东京、曼谷、上海、威尼斯、彼得堡和阿姆斯特丹等许多沿海城市也将完全或局部被淹没。

目前，在温室气体排放方面，我们国家正保持领先优势并有继续将其扩大的趋势！！！

马尔代夫倒计时：预计将于90年内被海水淹没。原因：全球变暖导致海平面上升.

马尔代夫是一个群岛国家，80%是珊瑚礁岛，全国最高的两座岛屿距离海平面只有2.4米。因此，它也是受到全球变暖影响最严重的国家.在过去一个世纪里，该国家海平面上升了约20厘米，根据联合国政府间气候变化问题研究小组的报告，2100年全球海平面有可能升高0.18米至0.59米。届时，马尔代夫将面临灭顶之灾。太平洋上的一颗美丽的翡翠——马尔代夫澄澈的碧蓝海水上徜徉着白云——这就是人间天堂婆娑的椰树，洁白的沙滩，舒适的躺椅

图瓦卢倒计时：预计将于未来50至100年消失。原因：气候变暖导致海平面上升.

这个由9座环形珊瑚岛群组成、平均海拔1.5米的小国家每逢二三月大潮期间，就会有30%的国土被海水淹没。近20年来，这些由珊瑚礁形成的海岛已被海水侵蚀得千疮百孔，土壤加速盐碱化，粮食和蔬菜已很难正常生长。事实上，图瓦卢人从2001年就已开始陆陆续续地告别自己的国家，迁往美国、新西兰等国。澳大利亚大堡礁倒计时：20年消失原因：全球变暖和人为破坏大堡礁1981年被列入自然类世界遗产，支撑着规模巨大的旅游业。然而，自上世纪80年代以来，由于全球变暖导致海洋酸性增加以及人为破坏，珊瑚渐渐在人们的视线中消失。海洋学家查利·沃隆今年7月公布的一份报告指出，全球气候变暖将在短短20年时间内让大堡礁荡然无存。

美丽的澳大利亚大堡礁大堡礁色彩缤纷的美丽珊瑚礁和鱼群大堡礁的明星——与海葵共生的小丑鱼

南北极倒计时：50年消失原因：全球变暖导致冰帽融化温室效应造成全球气温升高已经使得两极冰帽开始融化，冰帽融化不仅直接冲击当地的生态环境，使现存的南北极生物面临灭绝，南北极也渐渐消亡。全球海平面上升，许多低洼地区的国家甚至会因此而被淹没。以上几个现实中正在慢慢被证实的例子，已经为我们敲响了最刺耳的警钟，如果我们再不及时采取强有力的措施，那么，后果将不堪设想。我们，需要尽可能为子孙后代留下一个相对较好的生存环境，这是我们每个人义不容辞的责任！【开普勒-22b】科学家用开普勒望远镜发现首颗适合居住星球美国航空航天局（NASA）12月5日宣布，该局通过开普勒太空望远镜项目证实了太阳系外第一颗类似地球的、可适合居住的行星。报道称，NASA表示，科学家们利用开普勒太空望远镜在距地球约600光年的一个恒星系统中新发现了一颗宜居行星。该行星被命名为“开普勒-22b”，半径约为地球半径的2.4倍，这是目前被证实的最接近地球形态的行星。目前，该行星的主要成分尚不清楚，绕恒星运行的周期约为290个地球日。这颗行星围绕运转的母恒星比太阳略小、略冷，但和太阳一样属于比较稳定、寿命比较长的恒星。因此，这也是首次在与太阳系类似的恒星系统中发现宜居行星。最新发现的行星“不冷不热”，温度大约为22.2℃，正好适合人类居住。此外，这颗行星上还可能有液态水，而液态水被科学家视为生命存在的关键指标。据悉，相关研究成果将发表在美国《天体物理学》杂志上。各种水体污染继续加剧，“清流”变“浊流”超标排放造成河流的污染，导致大量鱼类死去，仍存活的鱼类体内也富集了数量不一的各类有害物质酸性气体超标排放导致酸雨形成酸雨频降导致严重污染

以下是全国酸雨分布示意图我国三大酸雨区包括(我国酸雨主要是：硫酸型）1.西南酸雨区：是仅次于华中酸雨区的降水污染严重区域。2.华中酸雨区：目前它已成为全国酸雨污染范围最大，中心强度最高的酸雨污染区。3.华东沿海酸雨区：它的污染强度低于华中、西南酸雨区。我国酸雨主要分布地区是长江以南的四川盆地、贵州、湖南、湖北、江西，以及沿海的福建、广东等省。在华北，很少观测到酸雨沉降，其原因可能是北方的降水量少，空气湿度低，土壤酸度低。然而值得注意的是北方如侯马、京津、丹东、图们等地区现在也出现了酸性降水。酸雨危害是多方面的，包括对人体健康、生态系统和建筑设施都有直接和潜在的危害。酸雨还可使农作物大幅度减产，特别是小麦，在酸雨影响下，可减产13%至34%。大豆、蔬菜也容易受酸雨危害，导致蛋白质含量和产量下降。酸雨对森林和其他植物危害也较大，常使森林和其他植物叶子枯黄、病虫害加重，最终造成大面积死亡。空气中的二氧化硫先与空气中的氧气反应生成三氧化硫，再与氢离子结合生成浓硫酸，浓硫酸再与水反应生成酸雨。酸雨具有腐蚀性，人体遇到酸雨很容易得皮肤癌。被酸雨毁坏的丛林，其危害超乎想象受到酸雨腐蚀影响的乐山大佛

长明灯、长流水等现象屡见不鲜，这些琐碎的细节造成了当今社会能源、资源的大量浪费。3节能减排是改善日常能源和各种资源浪费严重的有力措施长流水现象随处可见

在此，我想向各位在此通报我们各类资源占有率：我国水资源总量占世界水资源总量的7%，居第6位。但人均占有量仅有2400m3，为世界人均水量的1/4，居世界第119位，是全球13个贫水国之一;我国森林面积为15894．1万公顷，全国森林覆盖率达到16．55％，居世界首位，但人均森林蓄积量只有世界人均蓄积量的1／8;当前，我国天然气产量仅居世界第19位，占世界总产量的1%，消费量排名在世界第20位以后；消费量是世界总量的0.9%。节能减排对大至国家、小至个人都是很有意义的一件事情！

首先，国家在节能减排政策方面不断出台各种强制性政策，不断提高对各类企业节能减排组织机构与能力建设的要求；其次，中央和地方政府大幅度增加节能减排方面的财政预算,在税收、价格等方面有各种激励机制，激发企业节能减排的热情；再次，自主节能减排可以企业降低生产经营成本，具有非常直观的经济效益；最后，节能减排是衡量一个企业是不是一个有强烈社会责任意识的优秀企业的重要标准（即你所在的企业是否受人尊重）。4节能减排与企业的发展休戚相关

总之，种种事实向我们说明了节能减排工作的必要性和迫切性！！！而节能减排目标的实现，也涉及生产、生活、建设、流通和消费等各个环节，关系各行各业、社会各界和我们自己的切身利益，所以，在公在私，我们都要充分调动各方面参与这项工作的积极性，全社会动员，全民参与，实施节水、节油、节煤、节电、节地等等，使节能减排成为每个企业、每个社区、每个单位、每个学校、每个家庭、每个社会成员的自觉行动，这是非常必要的。三节能减排世界正在行动世界各国和各相关组织机构的行动计划1、各国从政策律例上为节能减排加大支持力度，很多国家都把节能减排纳入企业管理的一个强力约束指标。2、全球相关组织发起积极行动“地球1小时”是世界自然基金会向全球发出的一项倡议，呼吁个人、社区、企业和政府在每年3月份的最后一个星期六熄灯1小时，以此来激发人们对保护地球的责任感，以及对气候变化等环境问题的思考，表明对全球共同抵御气候变暖行动的支持。参加活动的法国巴黎艾菲尔铁塔灯光对比的图景英国积极响应“地球一小时”熄灯活动，图为伦敦的大本钟灯光明灭对照四节能减排我们正在行动1

.节能减排，国家在行动

在政策方面，国家财政十大措施支持新能源与节能减排：一是大力支持风电规模化发展，建立比较完善的风电产业体系；二是实施“金太阳”工程，加快启动国内光伏发电市场；三是开展节能与新能源汽车示范推广试点，鼓励北京、上海等13个城市在公交、出租等领域推广使用；四是加快实施十大重点节能工程，鼓励合同能源管理发展；五是加快淘汰落后产能，对经济欠发达地区淘汰电力、钢铁等13个行业落后产能给予奖励；

六是支持城镇污水管网建设，推进污水处理产业化发展；七是支持生态环境保护和污染治理，加大重点流域水污染治理，促进企业加强污染治理，加强农村环境保护，探索跨流域生态环境补偿机制；八是实施“节能产品惠民工程”，扩大节能环保产品使用和消费；九是支持发展循环经济，全面推行清洁生产；十是支持节能减排能力建设，建立完善能效标识制度，节能统计、报告和审计制度，加强环境监管能力建设。

出台十二五节能减排规划，作为十二五发展重要考核指标之一，计划在“十二五”期间，全国31个省市自治区被分为5类地区，每类地区确定一个节能指标，其单位GDP能耗降低率分为10%—18%。“十二五”期间和今年我国工业节能减排四大约束性指标：单位工业增加值能耗、二氧化碳排放量和用水量分别要比“十一五”末降低18%、18%以上和30%，工业固体废物综合利用率要提高到72%左右；今年这四项指标同比要分别降低4%、4%以上和7%左右以及提高2.2个百分点。十二五期间，SO2、COD排放总量要比“十一五”末分别减少10%和5%。

我国在节能减排各项相关体系构建上日益严密，约束力和影响力日益凸显！--节约型的生产体系、消费体系建设加快；--政策保障体系“三管齐下”，形成比较完善的节能政策保障体系（法律、行政、经济）；--技术支撑体系：节能技术创新的能力不断提高，节能产品层出不穷，节能成为一些企业“创品牌”的亮点；--监督管理体系：管理节能的部门和机构不断增多、级别不断提高，队伍不断壮大，能力不断提高：（首长负责、中央和地方成立新机构、新鲜血液）

为此，我国还专门制定并推广十大重点节能工程，它包括：节约和替代石油、燃煤工业锅炉（窑炉）改造、区域热电联产、余热余压利用、电机系统节能、能量系统优化、建筑节能、绿色照明、政府机构节能以及节能监测和技术服务体系建设工程。综上所述，我们可以看到国家在节能减排方面的决心和投入是多么的坚决，这一点是非常可喜的！2节能减排，我们自己在行动从之前的实例表明，节能减排与国家、企业息息相关，同时与我们自身也是密不可分的。因为我们每个人都是节能减排这项很有意义的工作执行者，只有当我们每个人都具备强烈的节能减排意识和责任心的时候，节能减排这项工作的开展才算是有了最广泛、最强大的基础和平台，才会达到或者超出预期的效果。事实上，节能减排对我们的工作现实生活也有非常重要的作用——一方面能提高我们的工作质量和个人素养，另一方面还可以节约生活成本，畅享低碳生活！

通过对之前几个节能减排项目的介绍，我们可以看到，节能减排其实并不神秘，很多可以实施的项目就在我们身边以各种形式存在着，它可以是对原有放空蒸汽的回收利用，可以是对冷凝液四处横流浪费现象的有效解决，可以是工艺操作法方面的改进，可以是对设备自身问题的优化解决，等等。然而我们要认识到，尽管我们身边存在不少需要优化改进的问题，但是能否发现并解决这些问题则取决于我们自身的技术水平、工作思路和责任心是否到位，而这三个方面是直接2.1树立和增强节能减排意识有利于我们提高自身的工作质量、个人素养以及未来的发展

决定我们的工作质量和个人综合素养的高低的重要因素，并会最终影响到个人未来的发展。换句话说，节能减排工作开展质量的高低，可以在某种程度上直接反映个人工作能力的高下！从现在起，如果你是班长或巡检员，那么，请你保持细致敏感、善于发现问题的心态，把自己责任范围内的所有工艺问题汇总起来，与技术员和厂领导一起去讨论、解决，然后你就会发现这非常有利于你的技术水平和综合素质的全面提高，如果你又一颗强烈的进取心，那么还有什么理由不用心去做好节能减排工作呢？2.2节能减排可以节约生活成本，畅享低碳生活

我们通过以下方面可以培养良好的节能习惯：1、合理使用空调如果每台空调在国家提倡的26℃基础上调高1℃,每年可节电22度,相应减排二氧化碳21千克.如果对全国1.5亿台空调都采取这一措施,那么每年可节电约33亿度,减排二氧化碳317万吨.如果全国每年10%的空调更新为节能空调,那么可节电约3.6亿度,减排二氧化碳35万吨.2、节能装修如果全国每年2000万户左右的家庭装修能做到减少1千克装修用铝材和钢材，节约使用0.1立方米装修用的木材和1平方米建筑陶瓷,那么可节能约100万吨标准煤,减排二氧化碳220万吨.3、采用节能方式洗衣如果选用节能洗衣机每月用手洗代替一次机洗，每年少用1千克洗衣粉,那么每年可节能约50万吨标准煤,减排二氧化碳120万吨.4、减少粮食浪费

"谁知盘中餐,粒粒皆辛苦",可是现在浪费粮食的现象仍比较严重.而少浪费0.5千克粮食(以水稻为例),可节能约0.18千克标准煤,相应减排二氧化碳0.47千克.如果全国平均每人每年减少粮食浪费0.5千克,每年可节能约24.1万吨标准煤,减排二氧化碳61.2万吨.

5、节约用水可以用淘米水去洗碗或者浇花。冲洗衣服时，可以加入少量肥皂粉，因为洗衣粉遇到肥皂会减少很多泡沫，既省水又节约清洗的时间。洗脸、洗手用小脸盆接住水，然后倒进大桶收集起来。洗手、洗澡、洗衣、洗菜的水和较干净的洗碗水，都可以收集起来洗抹布、擦地板、冲马桶。刷牙时要用多少水就盛多少水，不要开着水龙头让水一直流个不停。

6.节约照明用电注意随手关灯。使用高效节能灯泡。美国的能源部门估计，单单使用高效节能灯泡代替传统电灯泡，就能避免四亿吨二氧化碳被释放。节能灯最好不要短时间内开关，节能灯在开关时是最耗电的，对于保险丝的损伤也是最大的。白天可以干完的事不留着晚上做，洗衣服、写作业在天黑之前做完。早睡早起有利于身体健康，又环保节能。

7、低碳烹调法尽量节约厨房里的能源。食用油在加热时产生致癌物，并造成油烟污染居室环境。减少烹炸的菜肴。

如果我们的节能减排工作做到位了，那么，你就会享受到低碳生活带来的种种好处：居家更温暖——建筑节能改造，提高室温5-7℃交通更便利——地铁、公共车、城际高速铁路家庭支出更少——绿色照明、节能产品惠民政策购买高效节能产品更便宜——以旧换新、惠民工程我们赖以生存的天更蓝、水更绿、空气更清新！

节能减排，让我们用明天的视野设计今天的工程！在此处添加演示文稿标题在此处添加演示文稿正文在此处添加演示文稿正文在此处添加演示文稿正文强化节能减排谢谢！实现绿色发展！单击此处添加副标题内容蛋白质-能量营养障碍了解营养不良和肥胖均是营养平衡紊乱所致综合征；熟悉营养不良和肥胖症的病因和病理生理；掌握营养不良和肥胖症的临床表现和诊断标准；掌握营养不良和肥胖症的防治原则。目的和要求

蛋白质-能量营养不良

protein-energymalnutrition,PEM蛋白质-能量营养不良是由于缺乏能量和/或蛋白质所致的一种营养缺乏症，主要见于3

岁以下婴幼儿。临床上以体重明显减轻，皮下脂肪减少和皮下水肿为特征，常伴有各器官系统的功能紊乱。急性发病者常伴有水、电解质紊乱，慢性者常有多种营养素缺乏。定义消瘦型：能量供应不足为主浮肿型：蛋白质供应不足为主浮肿-消瘦型：两者兼有临床类型长期摄入不足—喂养不当

母乳不足，未及时添加富含蛋白质的食品；人工喂养调配不当；骤然断奶，辅食添加不及时、不恰当；长期以淀粉类食物喂养；不良的饮食习惯；

病因消化吸收不良

消化系统解剖异常：如唇裂、腭裂、幽门梗阻、肠旋转不良等；

消化系统功能异常：如迁延性腹泻、过敏性肠炎、肠吸收不良综合征等；病因需要量增加

急慢性传染病恢复期；生长发育快速阶段；疾病使营养素消耗过多；先天不足、营养基础差（早产、双胎）病因新陈代谢异常各系统功能低下病理生理

蛋白质低蛋白血症水肿

摄入不足脂肪胆固醇↓、脂肪肝消瘦、皮下脂肪↓、消失消化吸收不良营养不良碳水化合物血糖偏低昏迷

水、盐代谢细胞外液↑低渗脱水低钠、低钾需要增加体温调节体温偏低系统功能低下

贫血消化系统消化液↓消化吸收功能↓维生素缺乏系消化酶↓腹泻统循环系统心脏收缩力↓血压偏低、脉细弱功能泌尿系统尿重吸收↓多尿、低比重尿低下神经系统脑细胞数↓表情淡漠、反应迟钝、记成分改变忆力减退、条件反射不易建立、精神抑郁间伴烦躁不安免疫系统胸腺、淋巴结特异性免疫功能↓容易脾脏、扁桃体、非特异性免疫功能↓感染肠、阑尾等淋巴组织萎缩

系统功能低下体重：不增（早期表现）→下降皮下脂肪厚度：是判断营养不良程度的重要指标之—减少→消失腹部→躯干→臀部→四肢→面部身高：不长→低于正常

临床表现皮肤干燥、苍白→弹性差→肌肉萎缩→

老人状、“皮包骨”精神乏力→萎靡→反应迟钝；食欲下降→腹泻与便秘交替；其它：浮肿（凹陷性），体温低，BP↓

肌张力↓临床表现营养性贫血：小细胞低色素贫血最常见多种维生素缺乏：维生素A缺乏（角膜浑浊、溃疡）微量元素缺乏：锌继发各种感染：反复呼吸道感染、反复腹泻等自发性低血糖：要警惕，多在凌晨发生并发症血清白蛋白浓度：代谢周期短的蛋白浓度下降有早期诊断价值IGF-I(胰岛素样生长因子1)下降作为诊断蛋白质营养不良指标牛磺酸、必需氨基酸↓，非必需氨基酸无变化实验室检查淀粉酶、脂肪酶、转氨酶、胰酶、嘌呤氧化酶活力均↓胆固醇、电解质、微量元素浓度下降生长激素水平升高

-经治疗后以上项目可恢复正常值实验室检查诊断依据：年龄：多见于<3岁婴儿；喂养史；体重不增，反而下降；皮下脂肪少，注意顺序规律；全身相应各系统紊乱；合并症存在。诊断体重低下(underweight)：慢性或急性营养不良体重低于同年龄、同性别参照人群的均值减2SD以下；中度：体重低于同年龄、同性别参照人群的均值减2SD～3SD；重度：体重低于同年龄、同性别参照人群的均值减3SD以下

分型与分度生长迟缓（stunting）：慢性长期营养不良身长低于同年龄、同性别的参照人群的均值减2SD以下；中度：身长低于同年龄、同性别的参照人群的均值减2SD～3SD；重度：身长低于同年龄、同性别的参照人群的均值减3SD以下分型与分度消瘦（wasting）：近期、急性营养不良体重低于同性别、同身高的参照人群的均值减2SD；中度：体重低于同性别、同身高的参照人群的均值减2SD～3SD；重度：体重低于同性别、同身高的参照人群的均值减3SD以下分型与分度

根据能量缺乏为主、还是蛋白质缺乏为主进行分型：消瘦型：以能量缺乏为主，可进一步分度浮肿型：以蛋白质缺乏为主消瘦-浮肿型临床类型处理危及生命的并发症：脱水、酸中毒、电解质紊乱、休克、低血糖等祛除病因：积极治疗原发病，如纠正畸形、控制感染、改进喂养方式。调整饮食：应由少至多，循序渐进，不可操之过急，否则会引起消化不良。治疗轻度：250～330kJ/kg.d（60～80Kcal/kg.d开始；中、重度：165～230kJ/kg.d(40～

55Kcal/kg.d开始->逐步少量增加，渐加至500～727kJ/kg.d(120～170Kcal/kgkg.d；蛋白质从1.5～2g/kg开始逐渐->3.0～4.5g/kg。丰富的维生素和微量元素食物。促进消化,改善消化功能

药物：B族维生素，胃蛋白酶，胰酶蛋白质同化类固醇制剂（苯丙酸诺龙10～25mg/次，每周1～2

次，连用2～3周）胰岛素（2～3U/次/天，1～2周一疗程）锌制剂中医治疗：其他：成分输血、静脉营养等合理喂养：母乳喂养、及时添加辅食、正确选用代乳品、纠正不良饮食习惯合理安排生活作息制度：防治