《圖解深度學習》第一章

• 緒論
• • 深度學習與機器學習
  • 深度學習的發展歷程
  • 為什么是深度學習
  • 什么是深度學習

緒論

這部分介紹，為什么深度學習收到如此廣泛的重視？深度學習又有哪些方法？文章將通過解答這些疑問。

深度學習與機器學習

深度學習是一種機器學習方法，會根據輸入數據進行分類或遞歸。機器學習是人工智能中一個新的研究領域，可以通過經驗（學習）自動獲得動作參數。現在的機器學習的廣義概念是指從一直數據中獲得規律，并利用規律對位置數據進行預測的方法。
機器學習是一種統計學習方法，需要使用大量數據進行學習，主要分為有監督學習和無監督學習兩種。有監督學習需要基于輸入數據極其期望輸出，通過訓練從數據中提取通用信息或者特征信息，以此得到預測模型。無監督學習無需期望輸出，算法會自動從數據中提取特征值。深度學習是一個多層網絡結果，和人腦的認知結果相似。

深度學習的發展歷程

深度學習并非一項橫空出世的技術，而實在出現了一系列的案例研究報告后，才收到萬眾矚目。
2011年語音識別領域的研究報告。在以往的語音識別中，使用高斯混合模型和隱馬爾可夫模型的方法被普遍應用，人們爭相改良這些方法，以期語音識別的性能能夠在接近性能極限的有限范圍內得到些許提升。而深度學習方法直接打破了原有的性能極限，使語音識別的性能得到了大幅提高，并于2011年的基準測試中達到了頂級。
深度學習的洪流也席卷了圖像識別領域。以往的圖像識別普遍使用尺度不變特征變化，視覺詞袋模型特征表達，以及費舍爾向量等尺度壓縮方法。這里，深度學習放大的引入再次打破了原有方法的性能壁壘，使性能得到了大幅提升。由此深度學習在圖像識別領域的有效性得到了提升，自身也被廣泛應用。

同時期，Google開發的自動學習方法通過深度學習實現了貓臉識別，這使得深度學習變得廣為人知。Google使用的是無監督學習方法。

深度學習之所以能吸引眾多領域的關注，也得益于人民可以非常輕松地獲取大量訓練數據，多種吸能提升方法的出現，以及GPU和內存等硬件的進步，這次因素完美地結合在一起。為了提升細嫩那個，人民提出了Dropout等防止過擬合的方法，為了使訓練過程順利收斂，人們又提出了激活函數和預訓練方法等。這些方法對深度學習的性能提升起到了支撐作用。
硬件的進步主要體現在GPU的問世，GPU是圖像處理器的簡稱，專門用在游戲或圖像軟件等圖像處理單元。GPU中繼承了大量計算單元，能夠提供并行運算的能力。處理時間長是深度學習的一個重要的問題，CUDA支持并行處理，不僅可以幫助GPU大幅縮短處理時間，還能提供面向深度學習的快速計算庫。

為什么是深度學習

深度學習在各個領域的基準測試中均打破了原有的性能極限，取得了令人矚目的成績，此外，深度學習還能模仿人腦機制獲取知識。以往的機器學習都是人類手動設計特征值，而深度學習則是通過學習大量數據自動確定需要提取的特征信息，甚至還能自動后去一些人類無法想象的由顏色和邊緣等組合起來的特征信息。

什么是深度學習

深度學習一般是指具有多層結構的網絡，不過對于網絡的層數沒有嚴格定義，網絡生成方法也是多種多樣的。
深度學習的起源包括感知器和玻爾茲曼機。起源于感知器的深度學習是一種有監督學習，根據期望輸出訓練網絡。而起源于受限玻爾茲曼機的深度學習是一種無監督學習，指根據特定的訓練數據訓練網絡。

總結

以上是生活随笔為你收集整理的2019-11-18周一上午，学习《图解深度学习》第一章总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。