[深度学习]-飞桨-学习笔记-note1

基本概念

• 人工智能
  • 机器学习
    • 深度学习

三者的关系是逐层专业化。人工智能是比较范的概念，而机器学习是实现人工只能又有效的方式，深度学习则是机器学习中的一个分支，目前发展火热，并替代了大多数机器学习的算法。

机器学习

机器学习从字面理解，是机器自我学习成长的过程，使得计算结果接近于人类思考后的目标。在机器学习领域中，有监督学习和无监督学习之分。
监督学习是对已有的历史数据，并且知道了数据得到的结果，又可分为回归和分类。回归是通过已有的数据，训练计算机，找出样本与目标的规律。分类是将已有的数据，且数据已被标签化，将数据分类得出已有的属性规律，对于给出的新样本，得出样本的属性。
无监督学习不知道数据的特性，即数据没有被标签化，也不知道数据的结果。通过机器学习将数据归类。
机器学习的方法是通过训练和预测。假设数据与结果存在关系H，关系的参数为W，入参为X，输出为Y。H(W,X)与Y的相差程度为模型效果的评价函数，那么机器学习构造的模型目标就是使得H(W,X)与Y尽可能的相等,即训练使得H(W,X)=Y。其中衡量模型预测值和真实值差距的评价函数也被称为损失函数（损失Loss）。

模型

模型的构造分为，假设、评价函数、优化算法

• 模型假设
  假设就是通过观察数据，假设出X与Y之间的关系，从而确定W
• 评价函数
  观察数据中H(W,X)与Y中相差最小
• 优化算法
  找出合适的W使得评价函数最小

深度学习

深度学习与机器学习理论结构一致，差别在于假设的复杂度。深度学习如今的火热，得意与当今行业的数据化，数据量爆发式增长，以及计算机算力的提升。

神经网络

对于复杂的数据关系，已经无法用数学公式去表示，研究者们借鉴了人脑神经元的结构，设计出神经网络的模型。

人工神经网络包括多个神经网络层，如卷积层、全连接层、LSTM等，每一层又包括很多神经元，超过三层的非线性神经网络都可以被称为深度神经网络。通俗的讲，深度学习的模型可以视为是输入到输出的映射函数，如图像到高级语义（美女）的映射，足够深的神经网络理论上可以拟合任何复杂的函数。因此神经网络非常适合学习样本数据的内在规律和表示层次，对文字、图像和语音任务有很好的适用性。