TracyCoder的博客

本文学习要点：1.深度神经网络分层架构：全连接层卷积层池化层2.深度神经网络代表:CNN：CNN、AlexNet、VGG-Net、GoogLeNet（Inception）、ResNet（残差连接）编码器-解码器架构：序列到序列模型（Seq2Seq）

从1943年的第一个人工神经元到2023年的ChatGPT，AI经历了80年的发展历程。连接主义和符号主义作为两大主流学派，各自贡献了独特的理论和方法。现代AI正在走向两者融合的新时代，既要有神经网络的强大学习能力，也要有符号系统的逻辑推理能力。未来的AI将更加智能、更加可解释、更加安全，最终实现真正的通用人工智能。连接主义和符号主义代表了两种不同的智能实现路径：一种是"自下而上"的涌现智能，另一种是"自上而下"的规则智能。这场争论推动了AI领域的持续发展。

则是从输出层的误差出发，沿着网络层级反向计算每个参数对误差的贡献（梯度），并借助梯度下降法更新权重和偏置，其核心是让网络 “从错误中学习”，不断调整参数以缩小预测误差，最终实现神经网络的优化训练。是将输入数据逐层通过神经网络的权重和激活函数计算，最终输出预测结果的过程，其目的是基于当前网络参数完成 “从输入到输出” 的推理，对比预测值与真实标签得到误差；感知机模拟了生物神经元的工作原理：接收多个输入信号，通过权重加权求和后，经过激活函数处理，输出一个二值结果（0 或 1，也可以是 -1 或 1）。

k-means是最经典的划分式聚类算法，核心目标是将数据划分为k个预设数量的类别。其核心流程为通过迭代优化实现“最小平方误差和”（SSE）的最小化：首先随机选择k个样本作为初始聚类中心；然后计算每个样本到各聚类中心的距离，将样本分配到距离最近的聚类中心所属类别；接着重新计算每个类别的均值作为新的聚类中心；重复“分配-更新”过程，直至聚类中心不再明显变化或达到迭代次数上限。该算法简洁高效，但对初始聚类中心的选择敏感，且需预先确定k值。

人工智能（AI）作为引领科技变革的核心领域，其发展历程跨越七十余年，从早期的理论探索逐步走向规模化工程应用，深刻重塑了各行各业的技术范式。回溯其演进脉络，不仅呈现出理论派系的交替迭代，更在技术落地中形成了以机器学习、深度学习为核心的技术体系，为复杂问题的解决提供了全新思路。AI的发展可追溯至1956年达特茅斯会议，期间历经四个关键阶段，呈现出连接主义与符号主义两大派系的交替发展格局。以逻辑推理和数学原理为基础，强调通过明确的规则与符号表征解决问题；