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

• 卷积神经网络 – CNN？

赏

谢谢你请我吃糖果

支付宝

微信