【深度学习神经网络学习笔记（一）】深度学习介绍

深度学习介绍 深度学习介绍前言1、深度学习和机器学习的区别1.1 特征提取方面1.2 深度学习应用场景1.3 深度学习代表算法-神经网络 2、神经网络的结构组成3、深度学习的效果特点

深度学习介绍 前言

深度学习作为机器学习的一个前沿领域，正推动着从图像识别到自然语言处理等多个行业的变革。与传统机器学习相比，深度学习无需手动设计复杂的特征提取步骤，而是通过多层神经网络自动从大量数据中学习高级特征。

备注：本系列文章基于B站课程： 122集付费！CNN、RNN、GAN、GNN、DQN、Transformer、LSTM等八大深度学习神经网络一口气全部学完！学习整理得到。

1、深度学习和机器学习的区别 1.1 特征提取方面

机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识；

深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。

深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言领域。

1.2 深度学习应用场景 图像识别 物体识别场景识别车型识别人脸检测跟踪人脸关键点定位人脸身份认证 自然语言处理技术 机器翻译文本识别聊天对话 语音技术 语音识别 1.3 深度学习代表算法-神经网络

人工神经网络（Artificial Neural Network，简写为 ANN ）也简称为神经网络（NN）。是一种模仿生物神经网络（动物的中枢神经系统，特别是大脑）结构和功能的 计算模型。

2、神经网络的结构组成

经典的神经网络结构包含三个层次的神经网络。分别是 输入层、输出层和隐藏层。 其中每层的圆圈代表一个神经元，隐藏层和输出层的神经元由输入的数据计算后输出，输入层的神经元只是输入。

神经网络的特点 每个连接都有个权值，同一层神经元之间没有连接神经元当中会含有激活函数最后的输出结果对应的层也称之为全连接层

神经网络是深度学习的重要算法，用途在图像（如图像的分类、检测）和自然语言处理（如文本分类、聊天等）

3、深度学习的效果特点

过去十多年，得益于数字社会的发展，积累了大量的数据。以前的一些算法到达了瓶颈期，它们无法适用于大量的数据。“大规模”一直推动深度学习的发展进步。不仅仅是数据量的大，算法模型规模越来越大等。

数据计算：训练网络需要 GPU、TPU 等；算法：一些创新，如 ReLU 激活函数；