深度學習,在某種意義上是“深層人工神經(jīng)網(wǎng)絡(luò)”的重命名,從2006年開始在Geoffrey Hinton、Yann LeCun(楊立昆)、Yoshua Bengio、Andrew Ng(吳恩達)等教授以及學術(shù)界、工業(yè)界很多研究人員的推動下重新興起,并在語音(2010年)和圖像(2012年)識別領(lǐng)域取得了重大技術(shù)突破。
科幻場景
深度學習,人工智能的一大突破
傳統(tǒng)機器學習系統(tǒng)主要是由一個輸入層和一個輸出層組成的淺層神經(jīng)網(wǎng)。在神經(jīng)網(wǎng)絡(luò)里,程序繪制出一組虛擬神經(jīng)元,然后給它們之間的連接分配隨機數(shù)值或稱“權(quán)重”,經(jīng)由反復的訓練來實現(xiàn)誤差最小化。但是早期的神經(jīng)網(wǎng)絡(luò)只能模擬為數(shù)不多的神經(jīng)元,所以不能識別太復雜的模式。
科幻作品中的機器人
深度學習中的“深度”是一個術(shù)語,指的是一個神經(jīng)網(wǎng)絡(luò)中的層的數(shù)量。顧名思義,深度學習網(wǎng)絡(luò)與更常見的單一隱藏層神經(jīng)網(wǎng)絡(luò)的區(qū)別在于層數(shù)的深度,也就是數(shù)據(jù)在模式識別的多步流程中所經(jīng)過的節(jié)點層數(shù)。淺層神經(jīng)網(wǎng)絡(luò)有一個所謂的隱藏層,而深度神經(jīng)網(wǎng)絡(luò)則不止一個隱藏層。多個隱藏層讓深度神經(jīng)網(wǎng)絡(luò)能夠以分層的方式學習數(shù)據(jù)的特征,因為簡單特征(比如兩個像素)可逐層疊加,形成更為復雜的特征(比如一條直線)。
在深度學習網(wǎng)絡(luò)中,每一個節(jié)點層在前一層輸出的基礎(chǔ)上學習識別一組特定的特征。隨著神經(jīng)網(wǎng)絡(luò)深度的增加,神經(jīng)元節(jié)點所能識別的特征也就越來越復雜,因為每一層會整合并重組前一層的特征。
第一層神經(jīng)元學習初級特征,例如分辨圖像邊緣或語音中的最小單元,方法是找到那些比隨機分布出現(xiàn)得更多的數(shù)字化像素或聲波的組合。一旦這一層神經(jīng)元準確地識別了這些特征,數(shù)據(jù)就會被輸送到下一層,并自我訓練以識別更復雜的特征,例如語音的組合或者圖像中的一個角。這一過程會逐層重復,直到系統(tǒng)能夠可靠地識別出音素(根據(jù)語音的自然屬性劃分出來的最小語音單位)或物體為止。
訓練
一旦算法框架構(gòu)建起來后,人工神經(jīng)網(wǎng)絡(luò)就需要很多的“訓練”來達到誤差最小化。所以這也是深度學習
的名字的由來,深度(多層的神經(jīng)網(wǎng)絡(luò))和學習(大量的數(shù)據(jù)訓練)都是必不可少的。
機器學習有三種主要學習方式:監(jiān)督學習、無監(jiān)督學習和強化學習。每一種學習方式都可以用在深度人工神經(jīng)網(wǎng)絡(luò)的訓練過程中。
科幻作品
發(fā)展至今,深度人工神經(jīng)網(wǎng)絡(luò)的算法在圖像識別、聲音識別、推薦系統(tǒng)等重要問題上不斷刷新準確率紀錄。從沉寂了幾十年到火爆的熱門技術(shù),有三個重要原因推動了深度學習的發(fā)展。
-
人工智能
+關(guān)注
關(guān)注
1806文章
48984瀏覽量
248923 -
深度學習
+關(guān)注
關(guān)注
73文章
5560瀏覽量
122750
發(fā)布評論請先 登錄
CES Asia 2025蓄勢待發(fā),聚焦低空經(jīng)濟與AI,引領(lǐng)未來產(chǎn)業(yè)新變革
最新人工智能硬件培訓AI 基礎(chǔ)入門學習課程參考2025版(大模型篇)
云知學院攜手合作伙伴推動人工智能產(chǎn)業(yè)蓬勃發(fā)展
人工智能推理及神經(jīng)處理的未來

嵌入式和人工智能究竟是什么關(guān)系?
LLM技術(shù)對人工智能發(fā)展的影響
人工智能、機器學習和深度學習存在什么區(qū)別

評論