近年來，深度學習已成為科技界的一個流行語。我們似乎總是在有關AI的新聞中聽到它，但大多數人實際上并不知道它是什麼！在本文中，我将揭開深刻學習流行語的神秘面紗，并提供對其工作原理的直覺。

建立直覺

一般來說，深度學習是一種機器學習方法，它接受輸入X，并用它來預測Y的輸出。例如，給定過去一周的股票價格作為輸入，我的深度學習算法将嘗試預測第二天的股票價格。

給定輸入和輸出對的大數據集，深度學習算法将嘗試最小化其預測和預期輸出之間的差異。通過這樣做，它試圖學習給定輸入和輸出之間的關聯/模式 - 這反過來允許深度學習模型推廣到它以前沒有見過的輸入。

作為另一個例子，假設輸入是狗和貓的圖像，輸出是那些圖像的标簽（即輸入圖像是狗或貓）。如果輸入具有狗的标簽，但是深度學習算法預測貓，則我的深度學習算法将知道我的給定圖像的特征（例如，鋒利的牙齒，面部特征）将與狗相關聯。

深度學習算法如何"學習"？

深度學習算法使用稱為神經網絡的東西來查找一組輸入和輸出之間的關聯。基本結構如下：

神經網絡由輸入層，隐藏層和輸出層組成 - 所有層都由"節點"組成。輸入層采用數據的數字表示（例如，具有像素規格的圖像），輸出層輸出預測，而隐藏層與大多數計算相關。

我不會深入研究數學，但是通過上面顯示的函數在網絡層之間傳遞信息。這裡要注意的主要問題是可調諧的重量和偏差參數 - 分别在上面的函數中用w和b表示。這些對于深度學習算法的實際"學習"過程是必不可少的。

在神經網絡将其輸入一直傳遞到其輸出之後，網絡通過稱為損失函數的東西評估其預測（相對于預期輸出）的好壞程度。例如，"均方誤差"損失函數如下所示。

Y hat表示預測，而Y表示預期輸出。如果同時使用批量輸入和輸出，則使用平均值（n表示樣本計數）

我的網絡的目标最終是通過調整網絡的權重和偏差來最小化這種損失。在通過梯度下降使用稱為"反向傳播"的東西時，網絡通過其所有層進行回溯以更新損失函數的相反方向上的每個節點的權重和偏差 - 換句話說，每次反向傳播的疊代應該導緻比以前更小的損失功能。

在不進行證明的情況下，網絡權重和偏差的不斷更新最終将其轉化為精确的函數逼近器 - 模拟輸入和預期輸出之間的關系。

那麼為什麼它被稱為"深度"學習？

深度學習的"深層"部分是指創建深度神經網絡。這是指具有大量層的神經網絡 - 通過增加更多的權重和偏差，神經網絡提高了其近似更複雜功能的能力。

結論

深度學習最終是一個廣闊的領域，并且比我所描述的要複雜得多。存在用于不同任務的各種類型的神經網絡（例如，用于計算機視覺的卷積NN，用于NLP的遞歸NN），并且遠遠超出我所涵蓋的基本神經網絡。

卷積神經網絡

即使你不記得本文中的所有内容，這裡有一些要點：

• 深度學習是指深度神經網絡
• 深度神經網絡找到一組輸入和輸出之間的關聯
• 反向傳播是用于更新神經網絡參數的東西

深度學習的含義是瘋狂的。雖然我提供了相當簡單的應用示例，例如圖像分類和股票價格預測，但最終還是有更多！視頻合成，自動駕駛汽車，人類遊戲AI等等 - 所有這些都來自深度學習。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!