什么是深度学习？

深度学习是人工智能中最具影响力和增长最快的领域之一。然而，深度学习的直观理解可能很困难，因为深度学习这个术语涵盖了各种不同的算法和技术。深度学习也是机器学习的一个子领域，因此为了理解深度学习，首先需要了解什么是机器学习。

什么是机器学习？

深度学习 是机器学习的一些概念的扩展，因此，我们先来解释什么是机器学习。

简单来说，机器学习是一种方法，通过这种方法，计算机可以在没有明确编写每一行算法代码的情况下执行特定的任务。有很多不同的机器学习算法，但最常用的算法之一是 多层感知器 。多层感知器也被称为神经网络，它由一系列相互连接的节点/神经元组成。多层感知器中有三个不同的层：输入层、隐藏层和输出层。

输入层将数据输入到网络中，数据由中间/隐藏层中的节点处理。隐藏层中的节点是可以处理来自输入层的数据的数学函数，能够从输入数据中提取相关模式。这就是神经网络“学习”的方式。神经网络之所以被称为神经网络，是因为它们的结构和功能是受人脑结构和功能的启发。

网络中节点之间的连接有称为权重的值。这些值本质上是关于数据在一层与下一层之间的关系的假设。随着网络的训练，权重被调整，目标是权重/关于数据的假设最终会收敛到能够准确表示数据中的有意义模式的值。

网络中的节点中存在激活函数，这些激活函数以非线性方式转换数据，使得网络能够学习数据的复杂表示。激活函数将输入值乘以权重并添加偏差项。

什么是深度学习？

深度学习是指将多个多层感知器连接在一起的机器学习架构，这样就不仅仅只有一个隐藏层，而是有多个隐藏层。深度神经网络越“深”，网络就能学习越复杂的模式。

由神经元组成的深层网络有时被称为全连接网络或全连接层，这是因为给定的神经元与其周围的所有神经元都保持着连接。全连接网络可以与其他机器学习函数结合使用，以创建不同的深度学习架构。

深度学习的不同类型

研究人员和工程师使用各种深度学习架构，每种架构都有其自己的专用用例。

卷积神经网络

卷积神经网络 或 CNN 是计算机视觉系统中常用的神经网络架构。卷积神经网络的结构使其能够解释图像数据，将其转换为全连接网络可以解释的数字。CNN 有四个主要组件：

• 卷积层
• 下采样/池化层
• 激活函数
• 全连接层

卷积层接收图像作为网络的输入，分析图像并获取像素值。下采样或池化是图像值被转换/减少以简化图像的表示并降低图像滤波器对噪声的敏感性的过程。激活函数控制数据如何从一层流向下一层， 全连接层分析代表图像的值并学习这些值中的模式。

RNNs/LSTMs

循环神经网络 或 RNN 适用于数据顺序很重要的任务，网络必须学习数据序列。RNN 通常应用于自然语言处理等问题，因为词语的顺序在解码句子的含义时很重要。循环神经网络的“循环”部分来自这样一个事实：序列中给定元素的输出取决于前一次计算以及当前计算。与其他形式的深度神经网络不同，RNN 具有“记忆”，序列中不同时间步的信息用于计算最终值。

有多种类型的 RNN，包括双向 RNN，它们不仅考虑序列中前面的项目，还考虑后面的项目来计算项目的值。RNN 的另一种类型是 长短期记忆（LSTM） 网络。LSTM 是一种可以处理长数据链的 RNN 类型。普通 RNN 可能会受到“梯度爆炸问题”的影响，这个问题发生在输入数据链变得非常长时，但 LSTM 有技术来对抗这个问题。

自编码器

到目前为止提到的大多数深度学习架构都应用于监督学习问题，而不是无监督学习任务。自编码器能够将无监督数据转换为监督格式，使得神经网络可以应用于该问题。

自编码器通常用于检测数据集中的异常，例如金融机构的欺诈检测，这是无监督学习的一个例子，因为异常的性质是未知的。在这种情况下，自编码器的目的是确定数据中的常规模式的基线并识别异常或离群值。

自编码器的结构通常是对称的，隐藏层排列成输出层类似于输入层的形式。常用的自编码器有四种类型：

• 普通/简单自编码器
• 多层自编码器
• 卷积自编码器
• 正则化自编码器

普通/简单自编码器只是具有单个隐藏层的神经网络，而多层自编码器是具有多个隐藏层的深度网络。卷积自编码器使用卷积层而不是或除了全连接层。正则化自编码器使用一种特殊的损失函数，使神经网络能够执行更复杂的功能，而不仅仅是复制输入到输出。

生成对抗网络

生成对抗网络（GANs）实际上是多个深度神经网络，而不是一个网络。两个深度学习模型同时训练，它们的输出被馈送到另一个网络。这些网络相互竞争，并且由于它们可以访问彼此的输出数据，因此它们都从这些数据中学习并改进。这些网络本质上是在玩一种假币和检测的游戏，其中生成模型尝试创建新的实例来欺骗检测模型/鉴别器。GANs 已经在计算机视觉领域变得流行。

深度学习总结

深度学习通过创建复杂的模型来扩展神经网络的原理，这些模型可以学习复杂的模式并将这些模式推广到未来的数据集。卷积神经网络用于解释图像，而 RNN/LSTM 用于解释序列数据。自编码器可以将无监督学习任务转换为监督学习任务。最后，GANs 是多个相互竞争的网络，尤其适用于计算机视觉任务。