Pytorch深度学习笔记(一)前瞻概述

目录

1.人类智能Human intelligence

2.机器学习Machine learning

3.学习系统Learning System

4.神经网络neural network


课程推荐:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

1.人类智能Human intelligence

人类智能Human intelligence:把视觉上接收到的信息转化为抽象概念的过程。

如:识别“猫”的图像转化为概念上的猫

Pytorch深度学习笔记(一)前瞻概述_第1张图片

2.机器学习Machine learning

机器学习Machine learning:建立模型,通过数据集Label Dataset进行训练,最终得到算法。

Pytorch深度学习笔记(一)前瞻概述_第2张图片

3.学习系统Learning System

(1)基于规则系统Rule-based systems:手工设计程序

 如:求f(x)的原函数,设计专门的算法即可

Pytorch深度学习笔记(一)前瞻概述_第3张图片

(2)经典的机器学习Class machine learning:手动提取特征,将特征转化为固定的向量,在向量与输出之间建立映射。

 x ——> f(x) ——> y

(3)表示学习representation learning:训练专门的特征提取器,将特征转化为固定的向量,在向量与输出之间建立映射。

 表示学习的学习器面临“维度的诅咒”,特征维度越高,需要数据越多,因此需要降维。

(4)深度学习Deep learning:设置一些简单的特征提取规则,额外的特征提取器提取特征,学习器使用神经网络。与传统的学习系统不同,深度学习的特征提取器与学习器是同时训练的。

 注:是一种段到段End To End的训练过程。

4.神经网络neural network

(1)感知机Perceptron:一种仿生学的算法。将所有的“神经元信号”加权求和,再输出。

Pytorch深度学习笔记(一)前瞻概述_第4张图片

(2)人工神经网络Artificial neural network:把许多的感知机按一定的层次结构连接起来,就得到了神经网络。

Pytorch深度学习笔记(一)前瞻概述_第5张图片

(3)反向传播算法Back Propagation:能让神经网络工作起来的算法。反向传播算法的核心是计算图。

计算图是一种基于图的算法。只要把基本算子的偏导算出来,就能把图中的各导数计算出来。只要基本算子不变,算法依然可以应用在变化后的图中。

Pytorch深度学习笔记(一)前瞻概述_第6张图片

 注:各种神经网络架构

Pytorch深度学习笔记(一)前瞻概述_第7张图片

你可能感兴趣的:(深度学习,pytorch,人工智能)