：什么是深度学习及其工作原理

Posted 2023-03-05 Sonhhxg_柒

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了：什么是深度学习及其工作原理相关的知识，希望对你有一定的参考价值。

🔎大家好，我是Sonhhxg_柒，希望你看完之后，能对你有所帮助，不足请指正！共同学习交流🔎

📝个人主页－Sonhhxg_柒的博客_CSDN博客 📃

🎁欢迎各位→点赞👍 + 收藏⭐️ + 留言📝

📣系列专栏 - 机器学习【ML】自然语言处理【NLP】深度学习【DL】

🖍foreword

✔说明⇢本人讲解主要包括Python、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）等内容。

如果你对这个系列感兴趣的话，可以关注订阅哟👋

文章目录

什么是深度学习？编辑

深度学习是如何工作的？

工作中的深度学习示例

深度学习的兴起

深度学习在行动

深度学习职业前景

常见问题

1. 什么是深度学习？

2. 深度学习是什么意思？

3. 深度学习有什么用？

4. 为什么要用深度学习？

5. CNN是深度学习吗？

6. 深度神经网络是如何工作的？

7. 什么是神经网络背景下的深度学习？

8. 什么是深度学习与人工智能？

人工智能和机器学习是下一次计算革命的基石。这些技术取决于识别模式的能力，然后根据过去观察到的数据预测未来的结果。这解释了亚马逊在您在线购物时提供的建议，或者 Netflix 如何知道您对 80 年代烂片的偏爱。尽管利用 AI 原理的机器通常被称为“智能”，但这些系统中的大多数都不会自行学习；人类编程的干预是必要的。数据科学家准备输入，选择用于预测分析的变量。另一方面， 深度学习 可以自动完成这项工作。

什么是深度学习？

深度学习可以被认为是机器学习的一个子集。这是一个基于通过检查计算机算法自行学习和改进的领域。虽然机器学习使用更简单的概念，但深度学习与人工神经网络一起工作，人工神经网络旨在模仿人类的思考和学习方式。直到最近，神经网络还受到计算能力的限制，因此复杂性也受到限制。然而，大数据分析的进步使更大、更复杂的神经网络成为可能，使计算机能够比人类更快地观察、学习和对复杂情况做出反应。深度学习有助于图像分类，语言翻译，语音识别。它可用于解决任何模式识别问题，无需人工干预。

包含许多层的人工神经网络驱动深度学习。深度神经网络 (DNN) 是这样一种类型的网络，其中每一层都可以执行复杂的操作，例如理解图像、声音和文本的表示和抽象。深度学习被认为是机器学习中发展最快的领域，代表了一种真正具有颠覆性的数字技术，越来越多的公司正在使用它来创建新的商业模式。

现在，您已经了解了什么是深度学习，让我们开始了解深度学习是如何工作的。

深度学习是如何工作的？

神经网络是节点层，很像人脑由神经元组成。各个层内的节点连接到相邻层。根据网络的层数，该网络被认为更深。人脑中的单个神经元接收来自其他神经元的数千个信号。在人工神经网络中，信号在节点之间传播并分配相应的权重。权重越大的节点对下一层节点的影响越大。最后一层编译加权输入以产生输出。深度学习系统需要强大的硬件，因为它们有大量的数据正在处理，并且涉及到几个复杂的数学计算。然而，即使使用如此先进的硬件，训练神经网络也可能需要数周时间。

深度学习系统需要大量数据才能返回准确的结果；因此，信息以庞大的数据集形式提供。在处理数据时，人工神经网络能够根据从一系列涉及高度复杂的数学计算的二元对错问题中收到的答案对数据进行分类。例如，面部识别程序通过学习检测和识别面部的边缘和线条，然后是面部更重要的部分，最后是面部的整体表示来工作。随着时间的推移，程序会自我训练，正确答案的概率会增加。在这种情况下，面部识别程序会随着时间的推移准确识别面部。

工作中的深度学习示例

假设目标是让神经网络识别包含狗的照片。并不是所有的狗看起来都完全一样——例如，考虑一下罗威纳犬和贵宾犬。此外，照片以不同的角度和不同的光影显示了狗。因此，必须编译一组训练图像，包括许多人会标记为“狗”的狗脸示例，以及标记为（如人们可能期望的）“不是狗”的非狗物体图片。输入神经网络的图像被转换为数据。这些数据在网络中移动，各个节点为不同的元素分配权重。最后的输出层编译看似不连贯的信息——有毛、有鼻子、有四条腿等——并提供输出：狗。

现在，将从神经网络收到的这个答案与人工生成的标签进行比较。如果匹配，则输出被确认。如果不是，神经网络会记录错误并调整权重。神经网络试图通过一遍又一遍地反复调整其权重来提高其对狗的识别能力。这种训练技术被称为监督学习，即使神经网络没有被明确告知是什么“造就”了一只狗，它也会发生。他们必须随着时间的推移识别数据中的模式并自行学习。

在了解了什么是深度学习，了解了它的工作原理之后，让我们稍微回顾一下深度学习的兴起。

深度学习的兴起

据说机器学习发生在 1950 年代，当时英国数学家艾伦图灵提出了他的人工智能“学习机”。Arthur Samuel 编写了第一个计算机学习程序。他的程序使 IBM 计算机在跳棋游戏中玩得越久越好。在随后的几十年里，各种机器学习技术时而流行时而过时。

神经网络大多被机器学习研究人员所忽视，因为他们受到“局部最小值”问题的困扰，在该问题中，权重错误地似乎给出了最少的错误。然而，计算机视觉和面部识别等一些机器学习技术取得了进步。2001 年，开发了一种名为 Adaboost 的机器学习算法，用于实时检测图像中的人脸。它通过决策集过滤图像，例如“图像是否在黑斑之间有亮点，可能表示鼻梁？” 当数据在决策树中向下移动时，从图像中选择正确面孔的概率会增加。

几年后，当强大的图形处理单元最终进入市场时，神经网络并没有重新受到青睐。新的硬件使研究人员能够使用台式计算机而不是超级计算机来运行、操作和处理图像。神经网络最重大的飞跃发生是因为 ImageNet 引入了大量标记数据，ImageNet 是一个包含来自互联网的数百万标记图像的数据库。手动标记图像的繁琐任务被众包所取代，为网络提供了几乎无限的培训材料来源。自从技术公司将其深度学习库开源以来的这些年里。示例包括Google Tensorflow、Facebook 的 Torch 开源模块、GitHub 上的 Amazon DSSTNE和微软 CNTK。

深度学习在行动

除了您最喜欢的音乐流媒体服务会推荐您可能喜欢的曲目之外，深度学习如何影响人们的生活？事实证明，深度学习正在进入各种规模的应用程序。使用 Facebook 的任何人都会注意到，社交平台通常会在您上传新照片时识别并标记您的朋友。Siri、Cortana、Alexa 和 Google Now 等数字助理使用深度学习进行自然语言处理和语音识别。Skype 实时翻译语音对话。许多电子邮件平台已经擅长在垃圾邮件到达收件箱之前识别它们。PayPal 已实施深度学习以防止欺诈性付款。像 CamFind 这样的应用程序允许用户为任何物体拍照，然后使用移动视觉搜索技术发现物体是什么。

尤其是谷歌，正在利用深度学习来提供解决方案。谷歌 DeepMind 的 AlphaGo 计算机程序最近在围棋比赛中击败了常任冠军。DeepMind 的 WaveNet 可以生成模仿人声的语音，听起来比目前市场上的语音系统更自然。谷歌翻译正在使用深度学习和图像识别来翻译语音和书面语言。Google Planet 可以识别任何照片的拍摄地点。谷歌开发了深度学习软件数据库Tensorflow，以帮助生产AI应用程序。

深度学习仅处于起步阶段，在未来几十年内，将改变社会。自动驾驶汽车正在全球范围内进行测试；复杂的神经网络层正在接受训练，以确定要避开的物体、识别交通信号灯以及知道何时调整速度。神经网络越来越擅长预测从股票价格到天气的一切。考虑一下数字助理的价值，他们可以建议何时出售股票或何时在飓风来临前撤离。深度学习应用程序甚至可以挽救生命，因为它们开发了为内科患者设计循证治疗计划并帮助及早发现癌症的能力。

现在，既然你已经清楚什么是Deep Learning，想要在这门前沿技术上有所作为，那么你就必须了解其职业前景。

深度学习职业前景

人工智能领域人手严重不足。虽然目前并非所有公司都在招聘具有深度学习技能的专业人士，但拥有此类训练有素的专家预计将逐渐成为希望保持竞争力和推动创新的组织的关键要求。机器学习工程师的需求量很大，因为数据科学家和软件工程师都不具备机器学习领域所需的技能。机器学习工程师的角色已经演变为填补空白。就职业机会和薪酬而言，深度学习有什么前景？相当多。