AI初学者必看：深度学习基础

前言

“人工智能（AI）”一词于 1956 年问世，如今已为大家所熟知。然而，在 ChatGPT 迅速流行之前，AI 的使用和讨论大多局限于科学研究或虚构电影。如今，AI 尤其是生成式 AI 已成为大家热议的话题。

初学者生成式人工智能科普系列内容面向希望踏上人工智能之旅的任何人。目前，无论您的角色和工作内容如何，无论您是技术人员还是产品专家，或者担任其他任何角色，学习了解生成式人工智能的基础知识绝对是一个明智之举。

什么是深度学习？

机器能像我们人类（人脑）学习事物的方式一样学习吗？——这就是深度学习创新背后的想法。

深度学习是机器学习的一个子集（ML 又是 AI 的一个子集）。深度学习的核心是基于人工神经网络 (ANN)，这是一种受人类大脑结构和功能启发的计算模型。

听起来有点令人困惑？让我们用通俗易懂的语言来简化它！

首先，让我们了解几个重要的概念。

人脑中的生物神经网络

神经元是人脑最基本的细胞。人脑有数十亿个神经元，它们相互作用、沟通，形成神经网络。

这些神经元接收许多输入，从我们看到和听到的事物到我们感受到的一切，然后向其他神经元发送信息，这些神经元依次做出反应。工作神经网络使人类能够思考，更重要的是，能够学习。

人工神经网络（ANN）

人工神经网络是基于人脑生物神经网络设计的计算网络。

人类大脑中有相互连接的神经元。同样，人工神经网络中也有相互连接的神经元。这些神经元被称为节点。

让我们尝试简化 ANN！

想象一下用不同形状和大小的管道制作一个巨大的 3D 结构。每根管道都可以连接到许多其他管道，并且有一个可以打开或关闭的开关。这为您提供了连接管道的多种方式，这看起来有点棘手，对吧？

现在，让我们把这个管子连接到水龙头上。不同尺寸的管子让水以不同的速度流动。如果我们关闭开关，水就不会流动。

水代表流经大脑的数据，管道代表大脑中称为神经元的部分。

人工神经网络的架构

人工神经网络主要由三层组成——输入层、输出层和隐藏层。

想象一个类似于三层三明治的人工神经网络。

第一层称为输入层，代表面包的底部。它接收信息。

第二层称为隐藏层，代表中间的美味馅料。它会思考并解决问题。

第三层称为输出层，代表面包的顶部切片。它为我们提供了最终结果。

简而言之：

输入层

• 这就是信息进入人工神经网络的地方
• 它是起点，网络从这里接收其需要处理的数据

输出层

• 这是网络给出最终结果或答案的地方
• 它是终点，网络在这里告诉我们它学到了什么或决定了什么

隐藏层

• 这些层位于输入层和输出层之间
• 这些层中的神经元处理信息并帮助网络学习模式和做出决策

人工神经网络如何工作？

想象一下一群孩子试图通过分享他们的观察来识别一只熊猫。

• 每个孩子都具有特定的特征，例如黑白色的皮毛、圆圆的脸和独特的眼睛
• 就个人而言，他们可能无法完全理解熊猫的样子
• 但通过结合他们的见解，他们形成了一种集体理解

在人工神经网络的世界里，这些孩子代表着神经元。

• 在人工神经网络中，单个“神经元”（类似于我们例子中的孩子）专门识别特定方面。
• 结合起来，它们有助于识别整体概念（熊猫）。
• 网络通过反复接触来完善其理解，类似于孩子们随着时间的推移完善他们的熊猫识别技能。

输入层（观察）：

每个孩子都会观察一个方面，例如毛皮颜色或脸型，形成我们网络的输入层。

隐藏层（处理）：

孩子们互相传递观察结果，模仿神经网络的隐藏层。在分享信息的过程中，他们共同对熊猫的特征有了更全面的了解。

输出层（识别）：

最后，他们综合所有细节得出结论。如果大多数人同意观察到的特征与熊猫相符，他们就会输出“熊猫”。这个输出层对应于网络的最终决策。

评分方法：

为了提高识别能力，孩子们会跟踪其准确度。

如果他们正确识别了熊猫，他们就会获得积分；

否则，他们就会从错误中吸取教训。

类似地，在神经网络中，评分方法有助于调整网络的参数，以提高随着时间的推移的准确性。

该团队合作展示了人工神经网络如何逐层处理信息，从各种特征中学习并通过评分机制不断完善其理解。

深度神经网络

深度神经网络 (DNN) 是一种在输入层和输出层之间具有多层的人工神经网络 (ANN) 。

这里的**“深度”**意味着输入和输出之间有多层，使其能够学习复杂的模式。

关于深度学习的要点

现在，我们来总结一下深度学习的一些要点！

1-机器学习子集

深度学习是机器学习的子集，而机器学习又是人工智能的子集。

2-受大脑启发

深度学习基于人工神经网络，其灵感来自于我们大脑的工作方式。

3-人工神经网络（ANN）

ANN 是一种模拟人脑生物神经网络的计算网络。

4-深度神经网络

形容词“深度”是指网络中使用多层。它使用具有多个隐藏层的深度神经网络。

这些层处理信息，使系统能够学习复杂的模式。

5-从数据中学习

系统通过展示大量示例并根据预测和正确答案之间的差异调整神经元之间的连接进行学习。

6-处理复杂问题

深度学习对于解决传统方法难以解决的复杂问题特别有效。

机器学习与深度学习

让我们分析一下机器学习和深度学习之间的主要区别：

在我们之前的文章中，我们谈到了让机器人识别狗。假设我们想让机器人识别几种动物。

结尾

在这篇文章中，我们了解了什么是深度学习以及它是如何工作的。深度学习因其多层神经网络而得名，它类似于具有多层思维的人类大脑神经网络，每一层都有助于更深入地理解它所处理的信息。

从识别图像和理解语音到为语音助手和自动驾驶汽车提供动力，深度学习有助于解决许多复杂的任务。

原创作者: u_16163453 转载于: https://blog.51cto.com/u_16163453/11843507