深度学习概述
立即下载
一瓶泡沫
2024-04-18
学习
深度
计算
节点
网络
机器
提出
特征
结构
输出
116.4 KB
。
-可编辑修改 -
深度学习是机器学习研究中的一个新的领域， 其动机在于建立、 模拟人脑进
行分析学习的神经网络，它模仿人脑的机制来解释数据， 例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之
分．不同的学习框架下建立的学习
模型很是不同．例如，卷积神经网络（ Convolutional neural networks ，
简称 CNNs ）就是一种深度的监督学习下的机器学习模型， 而深度置信网（Deep
Belief Nets ，简称 DBNs）就是一种无监督学习下的机器学习模型。
目录
1 简介
2 基础概念
? 深度
? 解决问题
3 核心思想
4 例题
5 转折点
6 成功应用
1 简介
深度学习的概念源于人工神经网络的研究。 含多隐层的多层感知器就是一种
深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或
特征，以发现数据的分布式特征表示。 [2]
深度学习的概念由 Hinton 等人于 2006 年提出。基于深信度网 (DBN)提出
非监督贪心逐层训练算法， 为解决深层结构相关的优化难题带来希望， 随后提出
。
-可编辑修改 -
多层自动编码器深层结构。此外 Lecun 等人提出的卷积神经网络是第一个真正
多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。 [2]
2 基础概念
深度：从一个输入中产生一个输出所涉及的计算可以通过一个流向图 (flow
graph) 来表示：流向图是一种能够表示计算的图， 在这种图中每一个节点表示一个基
本的计算并且一个计算
深度学习的值 (计算的结果被应用到这个节点的孩子节点的值 )。考虑这样一
个计算集合，它可以被允许在每一个节点和可能的图结构中， 并定义了一个函数
族。输入节点没有孩子，输出节点没有父亲。
这种流向图的一个特别属性是深度 (depth) ：从一个输入到一个输出的最长
路径的长度。
传统的前馈神经网络能够被看做拥有等于层数的深度 (比如对于输出层为隐
层数加 1)。SVMs 有深度 2(一个对应于核输出或者特征空间，另一个对应于所
产生输出的线性混合 )。[3]
解决问题：
需要使用深度学习解决的问题有以下的特征：
深度不足会出现问题。
学习/深度/计算/节点/网络/机器/提出/特征/结构/输出/
学习/深度/计算/节点/网络/机器/提出/特征/结构/输出/
-->