什么是深度学习？

机器可以像我们人类（人脑）学习事物的方式学习吗？——这就是深度学习创新背后的理念。

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

听起来有点混乱？我们用通俗的话来简化一下！

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，它们彼此相互作用和通信，形成神经网络。

这些神经元接收许多输入，从我们看到的、听到的到我们的感受，再到中间的一切，然后向其他神经元发送信息，其他神经元依次做出反应。有效的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。

人脑具有相互互连的神经元。同样，人工神经网络也有相互链接的神经元。这些神经元称为节点。

让我们尝试简化 ANN！

使用不同形状和尺寸的管道制作大型 3D 结构的图片。每根管道都可以连接到许多其他管道，并有一个可以打开或关闭的开关。这给了你很多连接管道的方法，看起来有点棘手，对吧？

现在，让我们将这个管道连接到水龙头上。不同尺寸的管道让水以不同的速度流动。如果我们关闭开关，水就不会流动。

水代表通过大脑的数据，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，代表面包的底部切片。它吸收信息。

第二层称为隐藏层，代表中间美味的馅料。它会思考并解决问题。

第三层称为输出层，代表最上面的一片面包。它给了我们最终的结果。

简而言之：

输入层

• 这就是信息进入人工神经网络的地方。

• 这是网络接收其需要处理的数据的起点。

输出层

• 这是网络给出最终结果或答案的地方。

• 这是端点，网络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并做出决策。

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熊猫。

• 每个孩子都专注于特定的特征，例如黑白皮毛、圆脸和独特的眼睛。

• 就个人而言，他们可能不完全了解熊猫的样子，

• 但通过结合他们的见解，他们形成了集体理解。

在人工神经网络的世界中，这些孩子代表神经元。

• 在人工神经网络中，单个“神经元”（类似于我们示例中的孩子）专门识别特定方面。

• 当结合起来时，它们有助于识别整体概念（熊猫）。

• 该网络通过反复接触来完善其理解，就像孩子们随着时间的推移提高他们的熊猫识别技能一样。

输入层（观察）：

每个孩子都会观察一个方面，例如毛皮颜色或脸部形状，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。当他们分享信息时，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，他们结合所有细节得出了结论。如果大多数人同意观察到的特征与熊猫的特征相符，他们就会输出“panda”。该输出层对应于网络的最终决策。

评分方法：

为了提高他们的识别能力，孩子们会记录他们的准确性。

• 如果他们正确识别出一只熊猫，他们就会获得分数；

• 否则，他们就会从错误中吸取教训。

• 同样，在神经网络中，评分方法有助于调整网络参数，以随着时间的推移提高准确性。

这个团队合作说明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”意味着它在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，让我们总结一下深度学习的一些要点！

机器学习的子集

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。

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。

人工神经网络 (ANN)

ANN 是一种模仿人脑生物神经网络的计算网络。

深度神经网络

形容词“深”指的是网络中多层的使用。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。

从数据中学习

该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来进行学习。

处理复杂问题

深度学习对于解决传统方法可能难以解决的复杂问题特别有效。

机器学习与深度学习

让我们来分解一下机器学习和深度学习之间的主要区别：

今天我们了解了深度学习是什么以及它是如何工作的。深度学习，因其多层神经网络而得名，类似于具有多层思维的人脑神经网络，每个层次都有助于更深入地理解其处理的信息。

    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。

原文始发于微信公众号（KK安全说）：「人脑替代计划-4」初识深度学习