深度学习第一章详细知识点

文章目录

前言

一、深度学习简介

1.含义

2.目标

3.应用场景

4.关键点

二、计算机视觉的基本任务

1.定义

2.基本任务

3.计算机视觉传统算法：

4.计算机视觉的主要应用

（1）图像分类

（2）目标检测

三、自然语言处理

1.定义

2.目的

3.NLP处理的基本问题

四、深度学习与神经网络发展

1.卷积神经网络（CNN）

2.现代深度学习的过程

3.传统方法与神经网络方法比较

五、强化学习

1.监督学习与非监督学习

2.强化学习定义

3.强化学习应用

4.产生的四个因素

5.强化学习目标

6.强化学习特征

7.强化学习算法应用

总结

---

前言

     随着人工智能的不断发展，深度学习这门技术也越来越重要，很多人都开启了学习深度学习，本文就介绍了深度学习的基础内容。

---

一、深度学习简介

1.含义

 深度学习是一种基于神经网络的学习方法。和传统的机器学习方法相比，深度学习模型一般需要更丰富的数据、更强大的计算资源，同时也能达到更高的准确率。

2.目标

学习样本数据的内在规律和表示层次。

3.应用场景

搜索技术、数据挖掘、机器翻译、多媒体学习、人脸识别、语音识别、推荐和个性化技术。

4.关键点

使用一种通用的学习步骤从数据中学习获取的（学习得到的）。

二、计算机视觉的基本任务

1.定义

计算机视觉是一门研究如何使机器“看”的科学，涉及计算机如何从数字图像或视频中获得高级理解。

2.基本任务

图像处理、模式识别或图像识别、景物分析、图像理解等。

图像处理技术是:

3.计算机视觉传统算法：

缺点：

（1）.缺乏对特征的重视 （2）.图像特征提取需要人力 （3）.依赖特征算子

4.计算机视觉的主要应用

（1）图像分类

定义：分析一个输入图像并返回一个将图像分类的标签

过程:  数据准备——网络设计——模型训练——模型评估——模型优化

（2）目标检测

定义：在图像或视频中识别和定位特定目标的任务。【分类+定位】

过程： 生成候选区域——提取特征——目标分类——边界框回归——非极大值抑制（NMS）

应用领域：机器视觉领域、分类任务、检测任务、目标追踪、实例分割。

三、自然语言处理

1.定义

自然语言处理（Natural Language Processing，NLP）是人工智能和语言学领域的分支学科。包含机器理解、解释和生成人类语言的方法。

ChatGPT：基于OpenAI GPT（Generative Pre-trained Transformer）模型的对话生成模型。旨在通过生成自然流畅的对话响应来实现人机交互。

2.目的

让计算机来理解和处理人类的语言。

3.NLP处理的基本问题

（1）语言建模：计算一个句子在一个语言中出现的概率。

（2）中文分词：将中文句子恰当地切分为单个的词。

（3）句法分析：通过明确句子内两个或多个词的关系来了解整个句子的结构。最终句法分析的结果是一棵句法树。

（4）情感分析：给出一个句子，判断这个句子表达的情感。

（5）机器翻译：最常见的是把源语言的一个句子翻译成目标语言的一个句子，最终预测出来的整个目标语言句子必须与给定的源语言句子具有完全相同的含义。

（6）阅读理解：有许多形式。有时候是输入一个段落，一个问题，生成一个回答，或者在原文中标定一个范围作为回答，有时候是输出一个分类。

（7）语言生成：通过模型和算法，使计算机能够生成符合语法和语义规则的人类语言。

（8）信息检索：通过分析和索引大量的文本数据，使计算机能够快速准确地检索相关信息。

（9）语言理解：通过分析文本和语音，使计算机能够理解人类语言的意义和目的。

四、深度学习与神经网络发展

神经网络

1.卷积神经网络（CNN）

卷积神经网络是一种对人脑比较精准的模拟，它模拟了人脑识别图片时感知图片中的局部特征，之后将局部特征综合起来再得到整张图的全局信息的过程。

2.现代深度学习的过程

池化操作:在统计上的概念更明确，就是一个对一个小区域内求平均值或者求最大值的统计操作。

LeNet网络：

AlexNet网络：LeNet“放大版”

3.传统方法与神经网络方法比较

（1）人工参与程度：人的参与程度越来越低，但系统的效果越来越好。这是合乎直觉的，因为人对于世界的认识和建模总是片面的、有局限性的。如果可以将自然语言处理系统的构建自动化，将其基于对世界的观测点（即数据集），所建立的模型和方法一定会比人类的认知更加符合真实的世界。

（2）数据量：随着自然语言处理系统中人工参与的程度越来越低，系统的细节就需要更多的信息来决定，这些信息只能来自于更多的数据。

（3）可解释性：人工参与程度的降低带来的另一个问题是模型的可解释性越来越低。在理想状况下，如果系统非常有效，人们根本不需要关心黑盒系统的内部构造，但事实是自然语言处理系统的状态离完美还有相当的差距。

总之，传统方法适用于特征工程比较成熟、数据较少或易解释性要求高的场景； 神经网络方法适用于数据较大、特征难以手动设计或对模型性能要求较高的场景。

五、强化学习

1.监督学习与非监督学习

监督学习：通过带有标签或对应结果的样本训练得到一个最优模型，再利用这个模型将所有输入映射为相应输出，以实现分类。

非监督学习：在样本的标签未知的情况下，根据样本之间的相似性对样本集进行聚类，使类内差距最小化，学习出分类器。

2.强化学习定义

是机器学习的一个重要分支，它与非监督学习、监督学习并列为机器学习的三类主要学习方法。强调如何基于环境行动，以取得最大化的预期利益。

3.强化学习应用

机器人、对话系统，甚至开发视频游戏的人工智能（AI）。

4.产生的四个因素

（1）智能体：智能体是执行任务的客体，只能通过与环境互动来提升策略。

（2）环境：在每一个时间节点，智能体所处的环境的表示即为环境状态。

（3）行动：在每一个环境状态中，智能体可以采取的动作即为行动。

（4）反馈：每到一个环境状态，智能体就有可能会收到一个反馈。

5.强化学习目标

获得最多的累计奖励（正反馈）。

6.强化学习特征

（1）没有明确的标签

（2）环境动态

（3）延迟回报

7.强化学习算法应用

（1）交互性检索

（2）新闻推荐

（3）无人驾驶

（4）游戏领域

---

总结

简要介绍了深度学习的应用领域。 卷积神经网络可以模拟人类处理视觉信息的方式提取图像特征，极大地推动了计算机视觉领域的发展。 自然语言处理是典型的时序信息分析问题，其主要应用包括句法分析、情感分类、机器翻译等。 强化学习强调智能体与环境的交互与决策，具有广泛的应用价值。通过引入深度学习，模型的函数拟合能力得到了显著的提升，从而可以应用到一系列高层任务中。