一 什么是【人工智能】
人工智能(AI)是指通过计算机系统模拟人类智能的技术。它包括感知、推理、学习、规划和自然语言处理等能力。AI 的目标是创建能够执行通常需要人类智能的任务的系统。
机器学习(ML) 是 AI 的一个子领域,专注于开发算法和技术,使计算机能够从数据中学习和做出决策,而无需明确编程。ML 通过识别数据中的模式和规律来改进其性能。
神经网络(NN) 是一种受生物神经系统启发的计算模型,由多个相互连接的节点(或“神经元”)组成。神经网络是机器学习的一种方法,特别适用于处理复杂的模式识别任务。
深度学习(DL) 是神经网络的一个子领域,涉及使用多层神经网络(即“深度”神经网络)来处理和分析数据。深度学习在图像识别、语音识别和自然语言处理等领域取得了显著的成功。
总结一下它们之间的关系:
- 人工智能 是一个广义的概念,涵盖了所有模拟人类智能的技术。
- 机器学习 是实现 AI 的一种方法,通过数据学习和改进。
- 神经网络 是机器学习的一种具体方法,模仿生物神经系统。
- 深度学习 是神经网络的一个子领域,使用多层神经网络处理复杂数据。
二 什么是【机器学习】
监督学习(Supervised Learning)
监督学习是一种机器学习方法,其中模型在训练时使用带有标签的数据。目标是让模型学会从输入数据中预测输出标签。
- 分类(Classification):分类任务的目标是将输入数据分配到预定义的类别中。例如,给定一组带标签的图片(如猫和狗),模型学习如何将新图片正确分类为猫或狗。
- 回归(Regression):回归任务的目标是预测连续值。例如,给定一组带有房价标签的房屋特征数据,模型学习如何预测新房屋的价格。
非监督学习(Unsupervised Learning)
非监督学习是一种机器学习方法,其中模型在训练时使用未标注的数据。目标是发现数据中的模式和结构。
- 聚类(Clustering):聚类任务的目标是将数据点分组,使得同一组中的数据点彼此相似,而不同组的数据点差异较大。例如,给定一组未标注的客户数据,模型可以自动将客户分为不同的群体,每个群体代表一个客户类型。
半监督学习(Semi-Supervised Learning)
半监督学习结合了监督学习和非监督学习的方法。模型在训练时使用部分带标签的数据和部分未标注的数据。
- 半监督学习:在这种方法中,模型使用一部分带标签的数据进行训练,同时利用大量未标注的数据来改进模型的性能。例如,给定一小部分带标签的图片和大量未标注的图片,模型可以利用未标注的数据来提高分类准确性。
三 【深度学习】框架
深度学习框架是用于构建、训练和评估深度学习模型的软件工具包。它们提供了高效的计算和开发环境,使研究人员和开发人员能够更容易地实现复杂的神经网络模型。深度学习框架通常包括以下功能:
- 模型构建:提供构建神经网络模型的工具和接口。
- 自动微分:支持自动计算梯度,简化反向传播算法的实现。
- 优化器:提供各种优化算法,用于训练模型。
- 数据处理:提供数据预处理和增强工具。
- GPU 加速:支持使用 GPU 进行高效计算,加速训练过程。
- 模型评估:提供评估模型性能的工具和指标。
典型的深度学习框架
-
TensorFlow:由 Google 开发的开源深度学习框架,广泛应用于研究和生产环境。它支持多种平台,并提供了丰富的工具和库。
-
PyTorch:由 Facebook 开发的开源深度学习框架,以其灵活性和易用性受到研究人员的青睐。PyTorch 支持动态计算图,使调试和开发更加方便。
-
Keras:一个高级神经网络 API,最初由 François Chollet 开发,现已集成到 TensorFlow 中。Keras 提供了简洁易用的接口,适合快速原型设计和实验。
-
Caffe:由 Berkeley Vision and Learning Center (BVLC) 开发的深度学习框架,专注于图像分类和图像分割任务。Caffe 以其高效的计算性能和模块化设计而闻名。
-
MXNet:由 Apache 基金会管理的开源深度学习框架,支持多种编程语言(如 Python、Scala、R 等)。MXNet 以其可扩展性和高效性受到欢迎。
-
Chainer:由日本公司 Preferred Networks 开发的深度学习框架,支持动态计算图,适合研究和开发。
四 什么是【PyTorch】
PyTorch 是一个开源的深度学习框架,由 Facebook 开发。它以其灵活性和易用性受到研究人员和开发人员的青睐。以下是 PyTorch 的一些关键特点:
- 动态计算图:PyTorch 支持动态计算图,这意味着你可以在运行时改变网络的结构,使得调试和开发更加方便。
- 自动微分:PyTorch 提供了强大的自动微分功能,可以自动计算梯度,简化了反向传播算法的实现。
- 丰富的生态系统:PyTorch 拥有丰富的工具和库生态系统,支持计算机视觉、自然语言处理等领域的开发。
- 分布式训练:PyTorch 支持分布式训练,能够在多个 GPU 或机器上进行大规模模型训练。
五 如何安装PyTorch
进入PyTorch官网,下拉,按照自己的电脑需要选择安装
复制后,在cmd窗口粘贴运行即可