深度学习

2025年3月17日 | 阅读 3 分钟

深度学习是用于 机器学习 的一组算法。它是基于人工神经网络的机器学习方法的一部分。学习可以是监督的、非监督的或半监督的。

深度学习架构，即深度神经网络、循环神经网络和卷积神经网络，已被应用于自然语言处理、计算机视觉、语音识别、音频识别、社交网络过滤、机器翻译、药物设计、生物信息学、医学图像分析、材料检查和棋盘游戏程序等领域，在某些情况下，它们产生的效果优于甚至与人类专家相媲美。

深度学习的应用领域：

神经网络和深度学习神经网络

人工神经网络 或 神经网络 是模仿人类大脑建模的。人类有思维，可以在特定情况下执行任务，但是机器如何做到这一点呢？为此，设计了一个人工大脑，它被称为神经网络。正如人脑有神经元来传递信息一样，神经网络也具有节点来执行该任务。节点是数学函数。

神经网络基于生物神经网络的结构和功能。神经网络本身会根据输入和输出进行更改或学习。由于其学习和更改属性，流经网络的信息会影响人工神经网络的结构。

深度学习神经网络 是神经网络的高级形式。与简单的神经网络不同，深度学习神经网络具有多个隐藏层。深度学习神经网络获取更复杂的数据集，以便您的模型能够从中学习。深度学习神经网络是

序号	优点	描述
1.	将信息存储在整个网络中。	在传统编程中，信息存储在整个网络上，而不是存储在数据库中。如果某个信息在某个地方丢失，它不会阻止网络正常运行。
2.	处理不完整的知识	当我们的 ANN 经过训练时。无论是有完整的信息还是不完整的信息，数据都可能产生输出。在这里，损失性能取决于丢失信息的重要性。
3.	分布式内存	为了训练 ANN，有必要确定示例，并通过显示这些示例根据所需的输出对其进行训练。如果无法向网络显示事件，则该网络可能会产生错误的输出。
4.	具有进行 ML (机器学习) 的能力	ANN 具有使机器学习的能力。 ANN 通过评论类似的事件来学习事件并做出决定。
5.	容错功能	如果一个或多个单元格中存在损坏，则不会阻止它生成输出，并且此功能使其具有容错能力。
6.	并行处理	由于其数值强度质量，ANN 可以同时执行多个作业。

序号	缺点	描述
1.	硬件依赖性	Ann 根据其结构需要具有并行处理能力的处理器。设备的实现因此原因而具有依赖性。
2.	网络无法解释的行为	这是 ANN 最重要的问题之一。当它产生探测解决方案时，它不会给出任何关于为什么和如何操作的线索。
3.	确定合适的网络结构	对于确定神经网络的结构，没有可用的具体规则。借助经验、试验和错误，可以获得合适的网络结构。
4.	难以向网络展示问题	ANN 处理数值信息，因此在引入 ANN 之前，问题会被转换为数值。因此，很难向网络展示问题。