目录
一、深度学习与神经网络
1、深度学习定义
深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。
深度学习的核心:学习。
2、神经网络
人工神经网络(Artificial Neural Network,简写为ANN)也简称为神经网络(NN)。是一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)结构和功能的计算模型。经典的神经网络结构包含三个层次的神经网络。分别为输入层、输出层以及隐藏层。
构成:输入层、隐层、输出层。
神经网络的目的:寻找权重参数w。(自动从数据中学习到合适的权重参数)
神经网络由于有较多神经元,所以展现出强大的非线性。
3、深度学习过程
1、收集数据并给定标签;
2、训练一个分类器;
3、测试、评估。
4、深度学习功能
深度学习能够学习到,什么特征是最合适的。
神经网络能玩的东西,基本能覆盖生活方方面面。
深度学习解决的核心问题:如何提取特征。
特征提取:
深度学习的优势:数据量较大的时候,效果很好。
二、深度学习应用
物体识别:
人脸生成:
图片上色、超分辨率重构:
神经网络能玩的东西,基本能覆盖生活方方面面。
图像分类:
部分遮蔽、背景混入:
自动驾驶: