本文介绍了深度学习的基础知识，包括神经元的概念、单层神经网络、感知机、全连接层和激活函数。强调了激活函数在解决非线性问题中的关键作用，并探讨了不同激活函数的选择及其应用场景。
基本功总是很香的，良好的基础才能决定上层建筑的质量和高度。
从今天开始陆续连载一些深度学习的基础，包括概念，数学原理，代码，最近也确实没什么热点可以蹭
先看机器学习和深度学习的对比：
"数据和特征决定了机器学习的上限，而模型与算法则是逼近这个上限而已"，机器学习和深度学习的本质区别之一是特征工程，而特征工程又是决定最终结果好坏的最重要的因素之一；上图最上面描述是机器学习的流程，如果让一个计算机理解输入的信息是一个汽车，那么需要人类做很多特征工程工作，就是提取出这个事物的一些特征信息然后交给机器去认知去处理，上图的下部分就是深度学习的领域，在深度学习领域最重要的就是它可以自动的提取数据的特征，进行处理。
机器学习和深度学习第二个最大的区别就是数据量了（当然数据质量某种程度上更关键，不在这节课讨论范围），两者需要的数据量基本上是几倍甚至几十倍几百倍的关系。由于数据量的关系，所以深度学习需要的算力和机器学习也不是一个数量级。
那么深度学习是怎么样实现特征提取的呢？这就引入了
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
