一文理解深度学习与机器学习

屎大颗3345678

已于 2024-10-19 21:34:02 修改

阅读量957

点赞数 21

文章标签： c++ 开发语言 python 深度学习机器学习

于 2024-10-19 04:10:59 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_37610603/article/details/143064875

版权

在这个大AI盛行的时代，似乎每个人提起AI都能侃上几句，但是说到具体细节，又无从说起，所以今天我们采用图文并茂的方式带领大家理解所谓的深度学习

机器学习：

首先我们来看一张图

如图所示，AI>机器学习>深度学习

机器学习适用于结构化数据处理，需要人为的特征提取，简单点理解就是，特征明显，易于提取，且需要专业知识

反观深度学习特别擅长处理非结构化数据，如图像分类、自然语言处理，语音识别等

如果以上结论如果大家不能理解，那么就需要记住一个例子就行，如下：

机器学习（解决人与猪的区别）

深度学习（解决人与人的区别）

这样子是不是就有了具象的认识了

深度学习（人工神经网络 Artificial Neural Network，简称ANN）：

人工神经网络（Artificial Neural Network，简称ANN）是一种模拟生物神经系统工作机制的数学模型和计算模型，主要用于解决复杂的模式识别、分类和预测等问题。它以大脑中神经元的连接方式为灵感，通过仿生学方式设计，模仿人脑的学习和思考过程。

1. 结构组成

人工神经网络的基本结构包括输入层、隐藏层和输出层。这些层中的每个节点称为一个“神经元”，它们通过“权重”相互连接。

输入层：接受外部数据的输入（如图像、文本、信号等）。
隐藏层：位于输入层和输出层之间，处理输入数据，提取特征。隐藏层可以有多层，每层的神经元数量和层数由具体问题决定。
输出层：给出神经网络处理后的结果。

对于如上图所示，每一个圆圈代表一个神经元，每一层神经元都有连接，但是对于独立一层的神经元之间没有连接，从输入层---->隐藏层---->输出层，上一层的多个神经元都指向下一层的某一个神经元，万法归一，这就是我们经常讲到的算法（逻辑回归算法，这里要特别注意一下，逻辑回归算法不是线性回归，经常会有同学混淆，首先逻辑回归是解决分类问题，线性回归是解决数值预测问题）, 在人工神经网络中，每个神经元通常接收来自上层神经元的多个输入，并产生一个输出，这个输出又作为下层神经元的输入,权重（weights） 是连接两个神经元之间的参数，它决定了输入信号在传递过程中对输出的影响程度,权重是神经网络中的重要参数，它连接了两个神经元并控制信号在传递过程中是被加强还是削弱,每个输入信号都会乘以其对应的权重，这相当于调节该输入在计算总输入信号时的重要性。权重越大，输入信号对最终输出的影响就越大；权重越小，输入信号对输出的影响就越小。权重可以为正，也可以为负。正权重意味着输入信号对输出有正向影响，而负权重意味着输入信号会反向影响输出,神经网络的训练过程就是不断调整这些权重 w，以使得网络的输出越来越接近预期的结果

特征	逻辑回归	线性回归
损失函数	对数似然损失	最小二乘法
公式	logL(θ)=i=1∑n[yilog(yi^)+(1−yi)log(1−yi^)]	y=β0+β1x1+β2x2+⋯+βnxn+ε
使用场景	线性变量预测	分类问题
模型	线性关系	概率预测

权重（考虑了一下还是说说）：

每个神经元 i 从上一层神经元接收多个输入信号 x1,x2,…,xn ，每个输入信号都有一个相应的权重 w1,w2,…,wn。神经元的输出计算步骤如下：

加权求和：神经元对所有输入信号乘以其对应的权重并进行求和：
z=w1x1+w2x2+⋯+wnxn+b
中 b 是一个偏置项（bias），用于调节神经元的输出。保证结果不为0
激活函数：将这个加权求和的结果 z 传递给一个激活函数 σ(z)，得到该神经元的输出：
y=σ(z)
常用的激活函数有 Sigmoid、ReLU、Tanh 等。
输出信号：最后，神经元将激活函数的输出 y传递给下一层神经元，继续计算。

选择合适的激活函数对于神经网络的性能至关重要，不同激活函数适合不同的应用场景

其实很容易理解，举个例子，如下图，人的神经元结构

为什么要叫做神经网络，树突（输入层，也可以叫做感知层吗，用来感知获取信息）---->轴突（隐藏层，传递信息）--->轴突末端（输出层，承担传递信息与输出信息，也会作为下一层神经元的输入层）

如何能具象化的理解，发挥一下想象力，一个简单的例子，中午去不去吃饭，能够影响你做决定的输入信号（比如，饿不饿，饭店远不远，有没有钱，要不要减肥），权重（饿到什么程度，距离多远能接受，钱包的余额，减肥的决心），这些都会是你做决定的概率输出，到了这里我们就不难理解，为什么深度学习要进行大量的数据训练了，把你以往做过的决定进行输入，根据你的决定来不断优化你的权重，这样子在我们建立的模型就可以用于推理出你今天的决定，实例可能不准确，大家将就，所以在我们的模型训练中，数据对于我们来说是相当重要的。

今天先聊到这里，后边我们会继续深入（为什么量子计算机是才是人工智能的起点？）