深度学习概述

1 深度学习       

1.1 概述

        深度学习（英语：deep learning），是一个多层神经网络是一种机器学习方法（即是机器学习的一个子集）。在深度学习出现之前，由于诸如局部最优解和梯度消失之类的技术问题，没有对具有四层或更多层的深度神经网络进行充分的训练，并且其性能也不佳。但是，近年来，Hinton等人通过研究多层神经网络，提高学习所需的计算机功能以及通过Web的开发促进培训数据的采购，使充分学习成为可能。结果，它显示出高性能，压倒了其他方法，解决了与语音，图像和自然语言有关的问题，并在2010年代流行。

1.2 原理

        深度学习由神经网络层驱动。神经网络由一系列算法按照人类大脑的工作方式松散建模而成，而使用大量数据进行训练，即对神经网络的神经进行配置。经过训练后，深度学习模型可以处理新数据，能够摄取并实时分析多个来源的数据，无需人为干预。在深度学习中，图形处理单元 (GPU) 可以同时处理多个计算，以优化方式训练深度学习模型。

2 机器学习

2.1 概述

        机器学习是一门关于数据学习的科学技术，它能帮助机器从现有的复杂数据中学习规律，以预测未来的行为结果和趋势。

2.2 机器学习的分类

（1）监督学习(Supervised Learning) :其训练数据包含了结果信息，如在线线模型中存在y值。在监督学习中，典型的问题是分类(Classification)和回归(Regression) 。
（2）无监督学习(Unsupervised Learning) :训练数据中不包含任何结果信息。其典型的问题为聚类(Clustering) 问题。
（3）半监督学习(Semi-SupervisedLearning) :训练数据中有-部分数据包含结果信息，同时有一部分数据不包含结果信息， 是监督学习和无监督学习的融合。其任务对不包含结果信息的数据进行拓展。
（4）增强学习(Reinforcement Learning) :以“试错的方式进行学习,过与环境进行交互获得的奖赏指导行为，目标是获得最大的奖赏。

3 神经网络

3.1 概述

        神经网络是人工智能技术的代表之一，随着计算机性能的不断增强，神经网络的有效性毋庸置疑，它已被广泛应用于IT、机械、电气、医学分析等各行各业。

        神经网络模型分为基本模型和架构模型，架构模型以基本模型为组件，以理论为支撑，构建一个性能优于基本模型的网络架构，比如生成对抗网络、Seq2Seq、残差网络、自编码器等等，这些模型都被证明具有良好的性能，并用于图像处理和自然语言处理中。基本模型，例如全连接网络、CNN、RNN等，提取特征能力较为单一，无法应对复杂的应用环境，故寻找基础理论支撑架构模型的构建是非常有意义的。

3.2 图像定义

4 总结

4.1 人工智能，机器学习和深度学习之间的关系

• 机器学习：一种实现人工智能的方法
• 深度学习：一种实现机器学习的技术
• 神经网络：一种机器学习的方法