深度学习的基本原理

14天学习训练营导师课程： 李立宗《讲给入门者的深度学习》

学习知识点

什么是深度学习？

深度学习如何工作？

深度学习基本原理

什么是深度学习？

深度学习的发展经历了漫长的过程，从传统方法发展到机器学习，最后才发展到我们现在的深度学习。

老师举了通俗的例子来为我们做解释，以取暖为例：

传统的方式就是借助于火炉生火，提供热量。需要生火、添柴、通风等工序，过程复杂且繁琐。

而机器学习就像是通过空调的方式，通过设定指定的温度、风向、湿度等参数，达到取暖的效果，

而深度学习，更像是智能空调，只用设置“清爽”“温暖”等简单的模式就能够直接搞定所有参数，操纵空调的情况~让空调提供保暖的效果。                                     

接下来我们继续来看，传统的工作模式主要是通过研究问题→确定规则→进行评估，如果规则合适即正常工作，如果不合适，我们需要进行错误修正，重新进入循环，直到能够正常工作为止。

 机器学习：通过获得大量的数据样本，进行分析，或者提取特征的工作教给机器学习

 深度学习：端到端，直接从问题，通过设计神经网络到答案

 深度学习如何工作？

传统手工的方法

首先我们需要对问题进行预处理，从中提取问题的特征，然后不断量化特征描述，然后这就方便我们对他进行比较

特征值提取：我们会发现一个特征对应一串字符串，而且它们是一一对应的，也成功地将特征问题具体化，转换成为字符串，只要字符串是相同的，那么他们的特征就是相同的

深度学习和机器学习还有手工方式不同，最主要的就是将特征学习交给了计算器去执行，让计算机自己学会哪些特征是有用的，哪些特征是可以组合的，哪些特征相对来说更重要。

深度学习基本原理

神经网络的基本架构： 输入层、中间层（也叫隐藏层）、输出层。

 

 

对于上图神经网络结构的层数，我们可以称有两层（只有两层权重值（输入层到中间层的权重、中间层到输出层的权重））；也可以说有三层（即有3层神经元构成）。

之所以名为深度学习是因为：
1、神经网络的深度（层数多）；
2、学习深层次的知识。

深度学习强大的原因：

1、不需要手动提取特征；
2、可以处理线性不可分问题。【如果问题不能够采用线性解决的话，就需要通过深度阅读进行解决】

深度学习的处理逻辑：

 

第1层：提取最简单基础的特征，例如：点、线、纹理、边缘等几何特征；
第2层：简单特征的组合特征，例如：曲线、轮廓等；
第3层：相对高级的一些特征，例如：眼睛、鼻子、嘴巴等；
第4层：语义特征。

高级特征通过大量计算，从低级特征中提取出来。

随着训练次数不断增多，提取的特征越来越清晰。
神经网络层数不断加深，数据要一遍一遍处理。

深度学习能够拟合任何连续函数。