深度学习（二）

深度学习

• ​​1. 深度学习介绍​​

• ​​1.2 机器学习和深度学习的区别​​
• ​​1.3 深度学习的应用场景​​
• ​​1.4 常见的深度学习框架​​

• ​​2. 神经网络的介绍​​

• ​​2.1 概念​​
• ​​2.2 神经元的概念​​
• ​​2.3 单层神经网络​​
• ​​2.4 感知机（两层神经网络）​​
• ​​2.5 多层神经网络​​

1. 深度学习介绍

机器学习的分支，人工神经网络为基础，对数据的特征进行学习的方法

1.2 机器学习和深度学习的区别

特征抽取：

1. 机器学习：需要有人工的特征提取的过程
2. 深度学习：没有复杂的人工特征提取的过程，特征提取的过程可以通过深度神经网络自动完成

数据量：

1. 机器学习：数据少(效果不是特别好)
2. 深度学习：数据多(效果更好)

1.3 深度学习的应用场景

图像识别

物体识别，场景识别，人脸检测跟踪，人脸上身份认证

自然语言处理技术

机器翻译，文本识别，聊天对话

语言技术

语言识别

1.4 常见的深度学习框架

目前企业中常见的深度学习框架有很多，TensorFlow，Caffe2，Keras，Theano，PyTorch，Chainer，DyNet，MXnet，and CNTK 等等

本文主要讲述 PyTorch 如何实现

2. 神经网络的介绍

2.1 概念

人工神经网络（ANN），简称神经网络，或类神经网络，是一种模仿生物神经网络的结果和功能的数学模型，用于对函数进行估计或近似

相当于模拟生物的神经系统，对函数进行估计或者近似

2.2 神经元的概念

神经网络中的基础单元，相互连接，组成神经网络

一个神经元的功能 就是 求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果

一个简单的神经元如下：

2.3 单层神经网络

最简单的神经网络的形式，由有限个神经元组成

2.4 感知机（两层神经网络）

输入层接收外界信号后传递给输出层（输出层是M-P神经元）

简单的二分类的模型，给定调值，哦按段数据属于哪一部分

2.5 多层神经网络