做一个有温度和有干货的技术分享作者 —— Qborfy
今天我们来学习 深度学习
一句话理解:让计算机像人类大脑一样,通过堆叠多层的‘神经元网络’,从原始数据中自动学习由简单到复杂的多层次特征表达,最终实现智能决策。
对比之前 机器学习, 就是让计算机学会“举一反三”的深度思考能力,如:从认识鸟,到自动分辨出老鹰和麻雀的特征。
是什么?
定义: 深度学习(也称为深度结构化学习 或分层学习)是基于学习数据表示的更广泛的机器学习方法系列的一部分,而不是特定于任务的算法。学习可以是监督,半监督或无监督。
与传统机器学习对比:
| 能力 | 传统方法 | 深度学习 |
|——————-|——————-|——————-|
| 特征工程依赖度 | 人工设计特征 | 自动学习特征 |
| 数据利用率 | 小样本有效 | 需大规模数据 |
| 处理非结构化数据 | 效果差(如图像) | 核心优势领域 |
核心差别在特征提取环节,深度学习由机器自己完成特征提取,不需要人工提取。
关键认知:深度学习不是单个算法,而是通过层次化特征学习逼近人类智能的工程技术体系。掌握它,就掌握了AI时代的核心生产资料!
怎么做
深度学习的几个步骤:
- 海量数据
- 神经网络关键算法
- 正则化 Dropout:降低数据噪音
- 反向传播优化: 机器学习中调整神经网络算法的权重参数
- 优化器 Adam/SGD算法:优化神经网络模型
- 逐层特征抽象:
- 激活函数 ReLU:增强数据的稀疏性
- 智能输出:得出分类或决策结果
- 计算损失:判断正确率,从而不断优化模型
经典案例
人脸识别过程
- 人脸检测:定位图像中所有人脸的位置(输出边界框)
- 人脸对齐:根据关键点(眼睛、鼻尖等)矫正人脸角度,消除姿态影响
- 特征提取:将人脸转化为高区分度的数字向量(128~512维)
- 特征匹配:计算特征向量间的相似度(如欧氏距离)
体验深度模型
- TensorFlow Playground:调整层数/神经元观察效果
深度学习里程碑
- 2012年 AlexNet:ImageNet识别错误率从26%降至15% → 引爆深度学习热潮
- 2016年 AlphaGo:战胜李世石 → 证明强化学习+深度网络决策能力
- 2020年 GPT-3:1750亿参数大模型 → 实现语言理解与创作
参考资料
- 本文作者: Qborfy
- 本文链接: https://www.qborfy.com/ailearn/daily/05.html
- 版权声明: 本博客所有文章除特别声明外,均采用 MIT 许可协议。转载请注明出处!