大道至简,深度学习deep learning的形成原理和数学背景

关于神经网络学习,相关文章大多描述过细、或过繁,恨不能写得越高深越好,理论解析中往往不知所云,概念词,复杂数学公式一股脑引入更提高了理解难度,学习者往往一头雾水,很难对学习模型原理有一个整体清晰的认识。

本文试图对深度学习deep learning形成原理,深度学习的数学背景给出至简的描述(大道至简),便于大家对神经网络基础理论有一个整体深入的了解,为日后的学习建立较好的基础。

深入学习是机器学习的一个部分,机器学习又是人工智能AI的一个部分。也就是说,机器学习有很多模式pattern或模型,深入学习只是其中一个分支,他侧重基于人工神经网络,而其形成源于大脑神经元之间信号交互的物理现象。

神经元交互,即信号从一个neural到另一个neural需要一个条件,即“阈值”,有了“阈值”大脑才知道该信号是否传入下一个神经元做出行为判断,从而有了动作行为。这种神经元的信号传递过程是可以用数学公式推导表示的,也可以理解为深度学习体系。

并不认同深度学习是大数据以及GPU催生的产物,我们以手写数字识别为例,训练集28X28像素图片6万张,这是一个大数据吗?远比一部影视剧视频小的多。那么硬件,该数集训练时长,CPU计算2-3个小时,也不是对计算硬件要求过高啊,要什么GPU。那么问题出在哪里?为什么直到2010年前后深度学习才被清楚认识?

可以这样解释,神经元网络在非线性问题的求解有了突破,是人类认识观发生了改变。可惜的是,最先提出并改变认识的一杆人不在中国,我们是不是该反省一下呢。。。。。

因此,我们可以这样说,以深度学习为核心的神经网路框架是为解决非线性问

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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