- “深度”
- 深度学习的前身是人工神经网络(ANN),其组成为输入层(输入训练数据),输出层(输出计算结果),中间有1个或多个隐藏层,使输入数据向前传播至输出层,“深度”一词一般是指隐藏层很多(一般指5层,10层,几百层甚至几千层)
- 举例,我们拿到一张图片,对它做一些预处理,如图像居中,灰度调整,梯度锐化,去除噪声,倾斜度调整等,就可以将数据输入到神经网络的第一层,然后第一层会自己提取这个图像的特征,把有用的特征向下传递,直到最后一层,然后输出结果。这个过程是向前传播
- 深度学习的目的:利用已知数据学习一套模型,是系统在遇见未知的数据时也能做出预测。
- 深度学习的深度在于通过不断增加中间隐藏层数和神经元数量,让神经网络变得有深又宽,让系统运行大量数据训练它。
- “学习”
- 最简单最普遍的机器学习算法是分类
- 监督学习:输入的训练数据有特征(x)还有标记(作为输出y),学习目的是找到特征和标签的映射关系,通过标签不断纠正学习过程中的偏差,是学习的预测绿不断提高
- 无监督学习:输入数据只有特征没有标记 其目的是让计算机自己去学习怎样做一些事情。一般有聚类和强化学习两种
- 半监督学习:输入数据部分有标记部分没有,而且没有标记数据的数量常常远大于有标记的数据