元(yuan)宇宙深度學習(xi)
時(shi)間：2024-11-20 來源：華清遠見
機器學習與深度學習
深度學(xue)習(xi)確實是機器(qi)學(xue)習(xi)的一個(ge)分支(zhi)領域。
機(ji)(ji)器學(xue)習旨在讓(rang)計算機(ji)(ji)系統通過(guo)數據學(xue)習規(gui)律，從而能夠(gou)對(dui)新的(de)數據進行預測(ce)或(huo)決(jue)策(ce)等，它包含了(le)眾多方(fang)法和技術，比如傳統的(de)基于規(gui)則的(de)機(ji)(ji)器學(xue)習算法（像(xiang)決(jue)策(ce)樹(shu)、支持向量機(ji)(ji)等），通過(guo)人工提取特(te)征后(hou)讓(rang)模型學(xue)習特(te)征與目標之間(jian)的(de)關系。
深(shen)(shen)度(du)學習則側重于利(li)用深(shen)(shen)度(du)神經網(wang)絡(luo)結(jie)構，它(ta)能夠自動從(cong)海量的數(shu)(shu)據中學習到層次(ci)化的特(te)征(zheng)表示，不需要人工去(qu)刻意設計和提取復雜特(te)征(zheng)。例(li)如在圖像(xiang)識(shi)別中，深(shen)(shen)度(du)學習模型可以直接從(cong)原始(shi)圖像(xiang)像(xiang)素數(shu)(shu)據里逐步挖掘出如邊緣、紋理、物體(ti)形狀(zhuang)等不同層次(ci)的特(te)征(zheng)，進而判斷圖像(xiang)中的物體(ti)類別。
深度學習基礎知識
感知機：早(zao)期的(de)簡(jian)(jian)單神經網絡模型，由單個神經元構(gou)成，可用于簡(jian)(jian)單的(de)線性(xing)(xing)分(fen)類任(ren)務，如區分(fen)兩類線性(xing)(xing)可分(fen)的(de)數據點。
神經元：是神經網絡的基本構成單(dan)元(yuan)，模擬生物神經元(yuan)工作原理。它接收多個輸入(ru)信(xin)號，每個輸入(ru)乘以相應(ying)的權重，然后將這些乘積求和，再(zai)通過(guo)激活函數(shu)處理后輸出結果。
神經網絡結構:
神(shen)經網(wang)絡是(shi)由(you)大(da)量神(shen)經元按照一定的(de)層次結構(gou)和連接(jie)方式(shi)組織起(qi)來的(de)計算模型。它一般包含(han)輸(shu)(shu)入層、隱(yin)藏層以(yi)及輸(shu)(shu)出層。例如下
激活函數
無論神(shen)經(jing)網絡有多少(shao)層(ceng)，其本質上(shang)都(dou)只是對輸入數據進(jin)行線性(xing)(xing)變換的(de)組合(he)，而現實世界中的(de)很(hen)多問題，比如圖(tu)像(xiang)識別中物體特征的(de)復(fu)(fu)雜(za)映射、自然語言處理里語義(yi)的(de)復(fu)(fu)雜(za)關聯等，都(dou)是高(gao)度非(fei)線性(xing)(xing)的(de)，無法通過單(dan)純的(de)線性(xing)(xing)關系去準確擬合(he)。
而激活(huo)函(han)數作(zuo)用于(yu)神經(jing)(jing)元的(de)(de)輸出端，對神經(jing)(jing)元加權(quan)求和后的(de)(de)結果進行非線(xian)性變換(huan)，使得神經(jing)(jing)網絡能(neng)夠擬合各式各樣(yang)復雜的(de)(de)非線(xian)性函(han)數關系，從而具備強大(da)的(de)(de)表(biao)達能(neng)力，可用于(yu)處理各類復雜的(de)(de)實際(ji)任務(wu).
常見的激活(huo)函數
模(mo)型評(ping)估指標(biao)：
分類任務常用準確(que)(que)率(lv)（預(yu)測(ce)(ce)正(zheng)確(que)(que)的(de)(de)(de)樣(yang)(yang)本(ben)(ben)數(shu)(shu)占總(zong)樣(yang)(yang)本(ben)(ben)數(shu)(shu)的(de)(de)(de)比例(li)(li)）、精確(que)(que)率(lv)（預(yu)測(ce)(ce)為(wei)正(zheng)例(li)(li)且實(shi)際為(wei)正(zheng)例(li)(li)的(de)(de)(de)樣(yang)(yang)本(ben)(ben)數(shu)(shu)與預(yu)測(ce)(ce)為(wei)正(zheng)例(li)(li)的(de)(de)(de)樣(yang)(yang)本(ben)(ben)數(shu)(shu)之比）、召回率(lv)（預(yu)測(ce)(ce)為(wei)正(zheng)例(li)(li)且實(shi)際為(wei)正(zheng)例(li)(li)的(de)(de)(de)樣(yang)(yang)本(ben)(ben)數(shu)(shu)與實(shi)際正(zheng)例(li)(li)樣(yang)(yang)本(ben)(ben)數(shu)(shu)之比）、F1 值（綜合精確(que)(que)率(lv)和(he)召回率(lv)的(de)(de)(de)指標）等。
回歸(gui)任務常用均方根誤差（RMSE）等(deng)指標衡量模型預測值與真(zhen)實值的偏離程度。
模(mo)型部(bu)署與應用：
部(bu)署：將(jiang)(jiang)訓練(lian)好的模(mo)型部(bu)署到(dao)相(xiang)應(ying)的平臺或(huo)設備上(shang)，如將(jiang)(jiang)圖(tu)像識別模(mo)型部(bu)署到(dao)移動端(duan)應(ying)用中，讓手機(ji)可以(yi)實時識別拍攝(she)圖(tu)像中的物體。
應用領域：深度學習(xi)在圖像識別(bie)、自然(ran)語言處(chu)理、語音識別(bie)、推(tui)薦系統等眾多領域都(dou)有(you)廣泛(fan)且成功的(de)應用，極大地(di)推(tui)動了人工智(zhi)能技術的(de)發展和落地(di)。
