【深度学习】深度学习概念的理解（一）

最新推荐文章于 2022-01-26 15:29:16 发布

Florrie Zhu

最新推荐文章于 2022-01-26 15:29:16 发布

阅读量2.3k

点赞数 1

分类专栏：深度学习之基础知识文章标签：深度学习机器学习人工智能

本文链接：https://blog.csdn.net/Resume_f/article/details/104612716

版权

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。