深度学习简介

目录

深度学习简介

1. 传统机器学习与深度学习

2. 传统机器学习与深度学习一般流程的区别​编辑

3. 深度学习

4. 神经网络

5. 神经网络的发展历程

---

学习目标：

①传统机器学习与深度学习

②传统机器学习与深度学习一般流程的区别

③深度学习

④神经网络

⑤神经网络的发展历程

1. 传统机器学习与深度学习

深度学习属于机器学习，是一种基于无监督学习(无标签的数据集)和特征层次结构学习(逐步学习特征)的模型

特别适用于CV计算机视觉、语音识别、NLP自然语音处理

传统机器学习	深度学习
对计算机硬件需求较小，不需要计算特别复杂的数学矩阵，一般不需要配置GPU做并行计算	对硬件有要求，处理大量数据时需要进行大量的矩阵运算，需配置GPU做并行计算
适合小数据量	高维的权重参数，海量数据
将问题逐层分解	是个“黑盒子”不知道神经网络里的内容，是端到端的学习
人工进行特征选择	利用算法自动提取特征
特征可解释性强(函数)	特征可解释性弱(深度学习神经网络)

特征可解释性：能清楚知道这一部分特征数据代表什么特征

2. 传统机器学习与深度学习一般流程的区别

3. 深度学习

深度学习一般指深度神经网络，深度指神经网络的层数(层数越多，结构越深。处理高维数据时，层数越多性能越好，学习的信息更多)

4. 神经网络

人工神经网络是一种皆在模仿人脑结构及其功能的信息处理系统，由人工神经元互连组成的网络

5. 神经网络的发展历程

（1）单层感知器(只有一层隐藏层)根据激活函数分类

（2）XOR问题

证明了感知器本质上是一种线性模型，只能处理线性分类问题，无法处理非线性问题

（3）前馈神经网络(多层感知机，在单层感知器上加上一层(隐藏层)变成双(多)层感知器，观察是否能解决异或问题)

神经元接收前一层的输出，并计算出结果传给下一层，采用单向的多层结构

每一层包含若干神经元，同一层神经元不存在相关联系

解决异或问题：

隐藏层数对神经网络的性能有影响，隐藏层数更多，更利于对正类和负类进行分散，更好表达数据分布，分辨能力越强

隐藏层数=0，一条直线

隐藏层数=3，三条直线

隐藏层数=20，曲线