什么是深度学习 深度学习是机器学习的一个分支 是利用神经网络对模型进行训练的任务过程 它包含监督学习和非监督学习两种工作模式 第一代人工智能是基于传统专家系统的AI 传递数据和规则到传统专家系统,给出答案 近似于if-else的模式 包括类似于Siri这样的应用都是基于此而搭建的 他们都是这样一个写了成百上千上万条规则的IF-Else实现的传统专家系统 基于此来实现近似人工智能的回答 现在也有采用机器学习和专家系统结合实现的AI 机器学习是通过传递数据和答案的方式来实现学习 得到具体规则 这个模型会根据得到的数据和答案进行不断的优化 完善自己的规则,达到人工智能的效果 例如,我们给予机器一些猫和狗的图 并告知哪些是猫哪些是狗 通过这些数据和答案的训练让机器学习并理解那些是猫那些是狗 通过图片上的特征,机器会学习并产生一套属于自己的规则 来判断哪些是猫,哪些是狗
什么是深度学习
深度学习是机器学习的一个分支
是利用神经网络对模型进行训练的任务过程
它包含监督学习和非监督学习两种工作模式
第一代人工智能是基于传统专家系统的AI
传递数据和规则到传统专家系统,给出答案
近似于if-else的模式
包括类似于Siri这样的应用都是基于此而搭建的
他们都是这样一个写了成百上千上万条规则的IF-Else实现的传统专家系统
基于此来实现近似人工智能的回答
现在也有采用机器学习和专家系统结合实现的AI
机器学习是通过传递数据和答案的方式来实现学习
得到具体规则
这个模型会根据得到的数据和答案进行不断的优化
完善自己的规则,达到人工智能的效果
例如,我们给予机器一些猫和狗的图
并告知哪些是猫哪些是狗
通过这些数据和答案的训练让机器学习并理解那些是猫那些是狗
通过图片上的特征,机器会学习并产生一套属于自己的规则
来判断哪些是猫,哪些是狗
机器学习在日常生活中的应用场景 如个性化推荐就是典型,尝试推送的商品或者信息就是基于用户 搜索或浏览或其他操作产生的数据,通过平台的标签来标记 再让机器学习产生机器对某个用户喜好的判断,完成个性化推送 物流业方面主要用作路径规划 A到B,路径的优化,就是进行机器学习 还有更新的语音助手,如小爱同学这样的 它就通过自然语言处理的方式结合机器学习达到提高理解用户指令的目的 无人驾驶,无人机无人车等 检测识别红绿灯,行人判断车速,判断车辆状况等
机器学习在日常生活中的应用场景
如个性化推荐就是典型,尝试推送的商品或者信息就是基于用户
搜索或浏览或其他操作产生的数据,通过平台的标签来标记
再让机器学习产生机器对某个用户喜好的判断,完成个性化推送
物流业方面主要用作路径规划
A到B,路径的优化,就是进行机器学习
还有更新的语音助手,如小爱同学这样的
它就通过自然语言处理的方式结合机器学习达到提高理解用户指令的目的
无人驾驶,无人机无人车等
检测识别红绿灯,行人判断车速,判断车辆状况等
所谓神经网络就是通过大量简单元件相互连接而成的网络 它具有以下特性 非线性,分成特征学习,可扩展结构,高算力要求 它有更多层连接在一起,神经网络会被拆分为一个一个的层 每个神经元会有自己的权重,根据不同的权重去进行结合 最后得到的结果也会因此产生偏差 我们分层为输入层,隐藏层,输出层 输入层和输出层,一般我们都不做处理和改变 比如在图像处理中,输入层就是一张图片 输出层就是分类和信息结果 我们主要处理的隐藏层的数目和结构 隐藏层可以是一个或者成百上千个 用来实现不同的神经网络结构 它可以根据不同的需求进行大量的扩展任务 随着神经元数量的增加和大量的扩展任务 我们会需要更加强大的算力 如果是单一的小神经网络一个单一的单机就可以实现 当随着神经网络的扩大就需要动用GPU的运算单元来实现了 甚至是多卡才能实现
所谓神经网络就是通过大量简单元件相互连接而成的网络
它具有以下特性
非线性,分成特征学习,可扩展结构,高算力要求
它有更多层连接在一起,神经网络会被拆分为一个一个的层
每个神经元会有自己的权重,根据不同的权重去进行结合
最后得到的结果也会因此产生偏差
我们分层为输入层,隐藏层,输出层
输入层和输出层,一般我们都不做处理和改变
比如在图像处理中,输入层就是一张图片
输出层就是分类和信息结果
我们主要处理的隐藏层的数目和结构
隐藏层可以是一个或者成百上千个
用来实现不同的神经网络结构
它可以根据不同的需求进行大量的扩展任务
随着神经元数量的增加和大量的扩展任务
我们会需要更加强大的算力
如果是单一的小神经网络一个单一的单机就可以实现
当随着神经网络的扩大就需要动用GPU的运算单元来实现了
甚至是多卡才能实现
如何训练神经网络 我们分为前向传播和反向传播 前向传播类似我们写的函数方法 将输入值传递到神经网络中,一步步推算,给出一个结果 因为第一次训练得到的不一定是对的,我们对结果打上一个标记 基于此,神经网络会得出一个精度上的损失 不同的损失对应不同的精度函数 我们根据这个梯度值
如何训练神经网络
我们分为前向传播和反向传播
前向传播类似我们写的函数方法
将输入值传递到神经网络中,一步步推算,给出一个结果
因为第一次训练得到的不一定是对的,我们对结果打上一个标记
基于此,神经网络会得出一个精度上的损失
不同的损失对应不同的精度函数
我们根据这个梯度值