AI大模型 - 深度学习1

一、 深度学习简介

1. 什么是深度学习

• 传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征
• 深度学习模仿人类大脑的运行方式，从经验中学习获取知识。这也是深度学习被看做黑盒子，可解释性差的原因。深度学习尤其擅长处理高维数据，如图像和文本。

2. 深度学习优缺点

优点：

• 自动特征提取：省区人工设计特征，适合图像、语言等复杂数据；
• 高精度：在大数据任务（如：CV、NLP）中表现优异；
• 端到端学习：直接从数据到结果，简化流程；
• 适应性强：新模型（如Transformer）不断优化性能
  缺点：
  • 依赖大数据：小样本场景容易过拟合；
  • 计算成本高：训练GPU/TPU，部署难；
  • 黑盒模型：决策难解释，影响可信度；
  • 调参复杂：超参数优化依赖经验；
  • 安全风险：对抗攻击、数据偏见问题突出。
  适用：大数据、高复杂度任务（如自动驾驶、AI医疗）
  不适用：小数据、需高解释性或低功耗设备。

3. 深度学习框架

3.1 TensorFlow

TensorFlow是Google开发的一款开源软件库，专为深度学习或人工神经网络而设计。TensorFlow允许你可以使用流程图创建神经网络和计算模型。它是可