【深度学习】深度学习概念的理解(一)

本文介绍了深度学习的基本概念,包括计算机如何从经验中学习和表达知识。深度学习通过层层抽象,从简单概念构建复杂知识,解决了传统机器学习的特征选择难题。文中以图像识别为例,解释了深度学习如何通过多个隐藏层来提取特征,并讨论了深度学习与机器学习、人工智能的关系。
摘要由CSDN通过智能技术生成

【深度学习】深度学习的理解(一)

写在最前面的话:设置【深度学习】栏,主要是为了扫盲深度学习的各个知识点,希望通过这种方式来给自己的基础打扎实,从头开始学习!如果有写得不对的地方,请指正!!!谢谢

深度学习在现在已经是非常成熟了,生活的方方面面都可以用上深度学习技术,那么其实什么是深度学习?直观地说,是计算机从经验中学习到知识来理解/解决问题,这里的**“经验”可以理解是深度,“学习”是指经过一种抽象的数学过程,“知识”**跟我们的常识是一样的道路。计算机只有先获取到大量的“常识”(如树叶是绿色,乒乓球比篮球小等)才能以人类的思考方式去解决问题。

如何学习

那么计算机又是如何学习到“常识”的呢?我们是如何将数据里面蕴含的“常识”传递给计算机的呢?其实这些“常识”用我们的语言可以很容易地表述出来,但是要让只会读数字的计算机认识这些“常识”,那么只能通过编码或者特征提取的方式来传递给计算机:

  • 编码:主要通过形式化语言硬编码将人类的语言换成计算机语言,使得计算机可以通过逻辑推理的方式学习这些知识;
  • 提取特征:从原始数据中提取某种特征/规律来表示知识,这主要涉及机器学习方面的知识。

传统的机器学习属于统计学领域,它非常依赖数据及其表达方式(representation),即如何将数据的某种规律/特征表示出来,举个现代的例子:比如在医院里面,医生给病人诊断,医生需要知道病人的一些信息(病态特征、习惯、发病时间、接触过什么等),这些信息在计算机中称为特征(feature),传统的机器学习有三个大弊端阻止了它的发展:无法确定需要哪些特征(如是需要在哪读书,还是学习成绩?)、无法确定这些特征的方式(是否需要将特征离散化?)、某些信息无法学习(如数据与结果的相关性微小,无法表示的数据等)。

如何表达

计算机学习到的知识又如何表达呢?如何利用知识来解决问题呢?计算机学习到知识是通过数学上的函数或者图像来表示,具体形式是特征空间,由所有的特征向量组成的空间称为特征空间,特征向量表示每个具体的输入,特征空间中的每一个维度对应一种特征。传统的机器学习对于一些高级特征是无法表示,而深度学习的解决方案是采用高级特征用低级特征来表示,即通过组合简单的概念(concept)来构建复杂的概念而计算机可以利用这些知识解决各种分类、预测、优化等问题。

例子

比如在图像识别的认为中,如果直接学习从一堆像素映射到物体是很困难的,深度学习是将这些复杂的映射分解成一系列简单的映射,通过嵌套简单映射来解决问题,每一个映射由模型的不

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值