18、深度学习建模：从理论到实践

深度学习建模：从理论到实践

1. 深度学习基础概述

深度学习建模是机器学习领域的前沿技术，它为构建高性能模型提供了强大的工具。在深入学习之前，我们需要了解一些基本概念和技术要求。

1.1 技术要求

• Python 库 ：torch >= 2.0.0，torchvision >= 0.15.1。
• 基础知识 ：需要了解不同类型机器学习模型（如分类、回归和聚类）的区别。

1.2 人工神经网络简介

自然神经网络中的神经元作为信息处理单元，构成决策系统，帮助我们完成如识别朋友面孔等任务。人工神经网络（ANNs）与之类似，但它是针对特定问题设计的，例如图像分类、信用风险评估和目标检测等。为了便于比较不同类型的神经网络，我们主要关注全连接神经网络（FCNNs），它适用于处理表格数据。

FCNNs 用于监督学习时，包含一个输入层、一个输出层和一个或多个隐藏层。当神经网络的层数（包括输入层和输出层）超过三层时，被称为深度神经网络，深度学习就是基于此类网络进行建模。输入层是用于建模的数据点特征，输出层的神经元数量由具体问题决定，例如在二分类问题中，输出层的两个神经元代表两个类别。隐藏层的数量和大小是 FCNN 的超参数，可以进行优化以提高性能。

每个神经元接收前一层神经元输出值的加权和，对其进行线性或非线性变换后，将结果输出到下一层的神经元。这些权重是在训练过程中学习得到的参数，非线性变换通过预定的激活函数实现。常见的激活函数包括修正线性单元（ReLU）、指数线性单元（ELU）