2024年4月26日发(作者：买电脑送的office密钥在哪)
深度学习的意思
什么是深度学习
深度学习（Deep Learning，DL）是指多层的人工神经网络和训练
它的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激
活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大
脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成
神经网络“大脑”进行精准复杂的处理，就像人们识别物体标注图片一
样。
深度学习是从机器学习中的人工神经网络发展出来的新领域。早
期所谓的“深度”是指超过一层的神经网络。但随着深度学习的快速发
展，其内涵已经超出了传统的多层神经网络，甚至机器学习的范畴，
逐渐朝着人工智能的方向快速发展。
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，保
持了不变，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Deep Learning，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。
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Deep Learning方法。
上述就是Deep Learning的基本思想。
深度学习和浅层学习
浅层学习是机器学习的第一次浪潮。
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
Back Propagation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-layer Perceptron），
但实际是种只含有一层隐层节点的浅层模型。
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，Support Vector Machines）、 Boosting、最大
熵方法（如LR，Logistic Regression）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，
这个时期浅层人工神经网络反而相对沉寂。
发布者：admin，转转请注明出处：http://www.yc00.com/xitong/1714116225a2384372.html
评论列表（0条）