![机器学习,深度学习](http://www.gewuketang.com/wp-content/uploads/2017/06/20170608001.jpeg)
Siri、AlphaGo等技术与产品引爆了人工智能,也使得深度学习的话题日益火爆。但到底什么事深度学习呢?
首先要从神经网络说起,神经网络是对人脑的模拟,人脑由亿万个神经元组成,神经元之间通过突触来进行连接。由此,神经网络由很多的节点组成,节点之间有边进行连接,如下图:
![神经网络示意图](http://www.gewuketang.com/wp-content/uploads/2017/06/20170608004.jpeg)
其中最左边的节点组成一层,称为输入层,最右边的组成一层,称为输出层,中间的节点称为输出层,输出层有可以有一层或者多层。其中神经网络中的个节点都代表了一个数学函数,最常用的是逻辑斯谛函数,而边则有一个权重,读者可以简单的将其理解为一个数字就可以了。
网络的最初形态确定后,每条边都会有一个权值,这个可以是统一一个数字或者是随机的数字,我们接下来所要做的就是调整这些数字的值。怎么调整呢?就需要“样本”,也就是所谓的训练数据,比如我们想要让这个神经网络能够区分猫跟狗,则就需要准备好多猫狗的照片,然后通过输入层输入到网络中,在输出层查看结果,然后再跟真实结果对照,如果输入的结果是争取的,则什么都不用做,如果输出错误,那么就按照一定的算法调整网络中边的权值,也就是改变数字的大小。当把所有的样本都使用过后,就完成了对神经网络的训练,我们就可以用来区分猫与狗的照片了。
![神经网络](http://www.gewuketang.com/wp-content/uploads/2017/06/20170608002.jpeg)
在过去,受计算机性能的限制,我们在做神经网络实验时一般都只有一个隐层,而且整个网络中节点的数量也有限,这极大的限制了神经网络的应用。
时至今日,我们使用神经网络时,不仅节点的数量大大增加,而且隐层的数量也得到巨大增长,这得益于以下一个原因:
- 硬件性能的提高,特别是GPU处理性能的巨大提高,使得我们可以在可接受的时间内完成模型的训练;
- 机器学习算法和信号处理等方面的科研取得了长足的进步,这使得我们可以高效的使用一些较为复杂的线性或者非线性函数。
- 用于神经网络训练的数据集在数量和质量方面都得到了极大的发展。
简而言之,当神经网络隐层的数量大于三层(也有人认为大于一层就算)时,我们就可以把这个网络称为深度网络,对深度网络进行训练就叫深度学习。
想要进一步了解机器学习与人工智能吗?我们会定期推出部分机器学习、深度学习、大数据领域的公开课和公益培训课程,请扫描本文末尾的二维码关注我们的微信公众号报名参加。
![](http://www.gewuketang.com/wp-content/uploads/2017/05/公众号二维码.jpg)
大数据、机器学习、人工智能培训
脱产、周末、就业班并行
识别二维码,获取最新培训信息