深度学习基本概念

https://www.ibm.com/cn-zh/topics/deep-learning

• 深度学习是机器学习的一个分支，采用多层神经网络（称为深度神经网络）来模拟人脑的复杂决策能力。
• 深度学习模型通过无监督学习，可以从原始的非结构化数据中提取出准确输出所需的特征、特性和关系。
• 深度学习神经网络或人工神经网络尝试结合数据输入、权重和偏差来模仿人脑。 这些元素协同工作，以准确识别、分类和描述数据中的对象。
• 不同类型的神经网络可以解决特定的问题或处理特定的数据集
  • 卷积神经网络（CNN 或 ConvNets）主要用于计算机视觉和图像分类应用程序。它们可以检测图像和视频中的特征和模式，从而实现对象检测、图像识别、模式识别和人脸识别等任务。这些网络利用线性代数，尤其是矩阵乘法的原理来识别图像中的模式。
  • 递归神经网络 (RNN) 通常用于自然语言和语音识别应用程序，因为它们使用顺序或时间序列数据。RNN 可通过其反馈回路来识别。这些学习算法主要用于使用时间序列数据对未来结果进行预测。用例包括股票市场预测或销售预测，或序数或时间问题，例如语言翻译、自然语言处理 (NLP)、语音识别和图像字幕。这些功能通常会整合到 Siri、语音搜索和 Google Translate 等流行应用程序中。
  • 变分自动编码器 (VAE)
  • 生成式对抗网络 (GAN) 是一种神经网络，可用于人工智能 (AI) 内外部，以创建类似于原始训练数据的新数据。名称中的“对抗”部分来自 GAN 的两个组件之间的来回切换：生成器和判别器。
  • 扩散模型是一种生成式模型，使用渐进式噪声添加和去噪的前向和反向扩散过程进行训练。
  • 转换器模型将编码器 - 解码器架构与文本处理机制相结合，彻底改变了语言模型的训练方式。编码器将未经注释的原始文本转换为嵌入式表示形式；解码器将这些嵌入式表示形式与模型之前的输出结果结合起来，连续预测句子中的每个单词。

https://aws.amazon.com/cn/what-is/deep-learning/

• 深度学习是一种人工智能（AI）方法，用于教计算机以受人脑启发的方式处理数据。
• 深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，从而生成准确的见解和预测。
• 使用场景分为四大类：计算机视觉、语音识别、自然语言处理（NLP）和推荐引擎。
• 深度学习算法是仿照人脑建模的神经网络。例如，人脑包含数百万个相互关联的神经元，它们协同工作以学习和处理信息。同样，深度学习神经网络（或人工神经网络）是由在计算机内部协同工作的多层人工神经元组成的。
  • 人工神经元是称为节点的软件模块，它使用数学计算来处理数据。人工神经网络是使用这些节点来解决复杂问题的深度学习算法。
• 深度学习是机器学习的子集。深度学习算法的出现是为了提高传统的机器学习技术的效率。传统的机器学习方法需要大量的人力来训练软件。
  • 这个过程称为有监督学习。在有监督学习中，只有当您拥有广泛且充分多样化的数据集时，结果准确性才会提高。例如，该算法可能可以准确识别黑猫，但不能准确识别白猫，因为训练数据集包含更多黑猫图像。在这种情况下，您需要标记更多的白猫图像并再次训练机器学习模型。

https://pytorch.org/docs/stable/index.html

https://pytorch.apachecn.org/2.0/tutorials/beginner/basics/intro/

大多数机器学习工作流程包括处理数据、创建模型、优化模型参数和保存已训练的模型。本教程向您介绍了在 PyTorch 中实现的一个完整的 ML 工作流