深度学习简介
#python #ai #machinelearning #deeplearning

如果您最近在Internet上使用,则必须使用或与深度学习计划进行过互动。最受欢迎的是Openai发行的“ Chatgpt-3”。

在本文中,我们将介绍这个称为“深度学习”的概念。

什么是深度学习?

深度学习是在人工神经网络上运行的机器学习的一个分支。
这些神经网络模仿大脑和与之相关的学习模式。

深度学习算法受到大脑的结构和功能的启发,从而减轻明确的编程,因为它学会了使用它随着时间的流逝而收到的数据,就像人脑一样。

历史

深度学习已经存在了一段时间。直到1969年,神经网络一直是神经科学和计算机科学研究的主要研究领域。现在,它并没有蓬勃发展,因为现在没有很多足够的数据和处理能力来使这个概念像我们如今一样蓬勃发展。

这项技术在1980年代恢复了,但在本世纪的前十年再次陷入了日食,并且由于dall-e之类的突破性AI工具的普及而似乎又一次又回来了。和chatgpt,它们都是Open AI的产品。

在过去的十年中,表现最佳的人工智能系统,例如亚马逊的“ Alexa”,Microsoft的“ Cortana”,Apple的“ Siri”和Google的自动翻译人员,都源于深度学习。

>

神经网络如何工作?

神经网络是进行机器学习的一种手段,其中计算机通过分析过去的示例或数据来学习执行任务。通常,将馈入这些计算机的数据预先标记为计算机以使用这些标签来识别类似的模式。

一个例子是图像识别系统,该系统由数千甚至数百万张汽车,猫,房屋等图像喂养,具体取决于该系统要实现的目标。该系统将在图像中找到与特定标签一致相关的图像。

深度学习模型实际如何工作

深度学习模型具有连续学习的能力,这使得它们非常适合导航,语音识别,自然语言处理,图像识别等。

为了将事物视为透视,深度学习是具有加速计算能力和非常大的数据集的机器学习的一个子域,因此,深度学习算法可以在数据中自学隐藏模式来做出预测。

>

深度学习的基础结构受到大脑结构的启发。因此,深度学习中的许多基本术语可以映射到神经病学。类似于神经元如何形成大脑的基本构建块,深度学习体系结构还包含一个计算单元,该计算单元允许建模称为perceptron的非线性函数。

神经网络由数千甚至数百万个密集互连的简单处理节点组成。当今的大多数神经网络都组织成节点层,并且是“馈送前进”,这意味着数据仅朝着一个方向移动。单个节点可以连接到其下面的几个节点,从中接收数据,以及它在其上方发送数据的几个节点。

在其各自的传入连接中,节点将分配“权重”。当网络处于活动状态时,节点会接收不同的数据项,即在其每个连接上都有不同的数字,并将其乘以关联的权重。然后,它将结果产品添加在一起,产生一个数字。如果该数字低于特定的阈值值,则不会将数据传递给下一层,如果数字超过阈值值,则节点“ fires”,在当今的神经网络中,该节点意味着沿其所有加权输入的总和外向连接。

虽然训练了深度学习模型,但最初将其所有权重和阈值设置为随机数据,以补偿培训开始时大型数据集的不可用。

训练数据始终从输入层馈送,穿过隐藏的层,这些层处理大多数数据都会乘以复杂的方式并将其添加在一起,以根据每个输入来产生独特或高度准确的结果。重复此过程,直到模型始终识别具有相似标签的数据,因此产生相似的输出。

以其最基本的形式,神经网络包含三层:输入层,隐藏层和输出层。

深度学习的应用

深度学习作为一项技术是无限的,几乎可以应用于任何领域。其中一些可以包括:

  1. 图像识别:它可用于训练模型以识别形状,图像和对象以及了解内容和上下文。这已经在游戏,零售和旅游业中实施。

  2. 高级地图导航:可以使用深度学习来训练高级导航系统。其中一些可以在特斯拉汽车和Google的导航系统中看到。

  3. 自动文本生成:文本的集合可以送入深度学习模型,单词或字符的角色。顺便说一句,该模型能够学习拼写,写句子,打点,甚至捕获特定的写作风格。

  4. 自然语言处理:深度学习模型用于理解,生成和翻译人类语言。这可以通过将大量的人声数据集喂入训练模型,重复该过程直到输出变得准确且相似。

  5. 机器人技术:深度学习模型用于训练机器人并提高其感知和与环境相互作用的能力。

  6. 财务:深度学习模型用于分析过去的数据并进行准确的预测并检测欺诈。

结论

将其包裹起来,深度学习非常强大,可以用来实现伟大的事情。仍然有很多理论和道德问题要回答,但是在本文中获得了信息,您现在准备更深入地进入深度学习之旅。请继续关注本系列中的更多文章。构建“深”的东西。