Deep Learning

深度学习通过多层抽象学习数据表示,改善了语言识别和图像理解等领域。反向传播算法用于训练多层架构,而卷积神经网络和循环神经网络分别在图像理解和序列数据处理中展现优越性能。深度学习未来将结合特征表示学习与复杂推理,推动人工智能发展。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Deep learning

[Reference]

Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436.

Abstract

深度学习是由多处理层组成的计算层模型,通过多层抽象学习数据表示,这种方法在语言识别(Speech Recognition)、视觉物体识别、物体检测和其他诸如药理发现和基因组学等领域显著提升了state-of-the-art,深度学习通过使用反向传播算法,从大量数据中学习发现物体的复杂结构,而这种反向传播机制向系统指示了如何通过从前层网络中的特征表示来计算后面每一层的特征表示以达到改变网络中的参数的目的。深度卷积神经网络已经将反向传播机制引入到图像、视频、音频、报告的研究分析之中,而循环网络结构使得像文本、语音等序列型数据的前景光明。


Declaration

深度学习方法是带有多层表示的表示学习方法,由简单但是非线性的模块所构成,每一个模块将一层上的表示转化成更高层,更抽象层的表示。在足够的表示参与构成的情况下,复杂的功能结构就此形成,对于分类任务而言,高层特征表示可以强化输入数据,而这种强化对鉴别检测和抑制不相关变形是非常重要的。

深度学习擅长在高维数据中发现复杂结构


Supervised Learning

为了正常地调整权重向量,对于每一个向量,学习算法需要计算梯度向量,它表示如果权重增加或减少一个很小的量,误差将增加或减少的量。然后权重就会沿着梯度反方向进行调整。

目标函数,是在所有训练样本上的平均,在高维的权值向量空间中,可以被视作是具有波浪形状的函数,在这种结构中,梯度反方向被视为是权重下降最快的方向,使其接近最小值,输出误差平均值较低。

在实践过程中,实践者经常使用的处理方法叫做“随机梯度下降”(SGD),这包括显示几个样本的输入向量,计算输出和误差,计算这些示例的平均梯度,以及相应地调整权重。这一过程需要对在训练样本中的许多小的样本上进行不断重复,直到目标函数停止下降为止,其之所以被称之为

深度学习是机器学习领域中的一个新的分支,其动机在于模拟人类大脑的学习方式。它使用深度神经网络模型(DNN)来解释和分析数据,例如图像、声音和文本。深度学习是一种无监督学习方法,意味着它可以从未标记的数据中自动学习特征,并进行模式识别。与浅层学习相比,深度学习具有更深的层次结构,能够提供更好的语音识别、图像处理和自然语言处理等能力。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [Deep Learning简介](https://blog.csdn.net/MyArrow/article/details/51176981)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *3* [深度学习deep learning](https://blog.csdn.net/qq_46458188/article/details/121594693)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值