一、深度学习历史
- 1958年:人们感觉人工智能要来了,因为linear model的出现,它可以做到一些稍微复杂的分类和预测问题,当时他们也叫这个技术为Perceptron,感知器
- 1969年:有人终于发现了linear model有缺点,研究了一下为什么“坦克与卡车”的图像分类为什么如此精确,原来是因为两组图片的拍照时间不一样,而机器是通过其亮度作为特征来分类的
- 1980年代:多层感知机,尝试使用多层的感知机(与现在的deep learning基本没有差别)
- 1986年:出现了反向传播,但是发现超过3层就不太有用了
- 1989年:有人认为,一个隐藏层就足够成为任何的function。这段时间多层感知机被各种嫌弃,所以人们才给它换了个名字,就是深度学习。
- 2006年:RBM initialization被认为是大突破,这个非常复杂,用于梯度下降初始化值,最后发现复杂但是没啥用.
RBM initialization指"受限玻尔兹曼机"(Restricted Boltzmann Machine,RBM)的初始化过程。RBM是一种人工神经网络,用于无监督学习任务,如数据降维和特征提取。初始化是指在训练RBM之前,为其权重和偏差参数赋初值的过程。常用的初始化方法包括随机初始化和预训练初始化。随机初始化是将权重和偏差参数设置为随机值,而预训练初始化是通过逐层训练来初始化RBM,以便更好地捕捉输入数据的结构。 - 2009年:知道要用GPU来加速深度学习的模型训练
- 2011年ÿ