导入
🏆 快速概览
恭喜！你已经掌握了深度学习的基础知识。让我们快速回顾一下你所学和讨论的内容。接下来，我们将探讨你凭借新掌握的技能可以采取的各类发展方向。
人工神经网络（ANN）
人工神经网络（ANN）由每一层中的多个感知机/神经元组成。ANN是一种前馈神经网络，因为输入仅沿正向处理，即每一层将其信息传递给下一层，直到到达最终输出层。
...
一个前馈深度神经网络
每个网络都包含输入层、隐藏层和输出层。本质上，每一层都在学习能够最好地近似输入与输出之间映射关系的权重。
应用场景
ANN可用于解决以下类型的问题：
- 表格数据
- 图像数据
- 文本数据
优势
通过使用引入非线性特性的激活函数，ANN能够学习任意非线性函数。这些激活函数帮助网络捕捉特征与标签之间的任何复杂关系。如果没有激活函数，网络只能学习线性关系，无法掌握复杂的模式。
挑战
-
在使用ANN解决图像分类问题时，首要步骤是将二维图像转换为一维向量才能进行模型训练。这带来两个问题：
- 随着图像尺寸增大，可训练参数数量急剧增加。例如在手写数字MNIST分类问题中，28×28的图像被展平为1×784的向量，导致可训练参数达到784个。
- 图像中像素的空间排列信息丢失。
-
ANN无法捕捉输入数据中的序列信息，因此不适合处理序列型数据。
-
在深层神经网络中会出现梯度消失问题。
## 恭喜！
### 一个重要里程碑 你已经掌握了这些高级概念，这是一项重大成就。虽然这并非终点，但确实是迈向成功的重要一步。深度学习是当今每一位机器学习开发者必备的核心技能。
当你开始寻找机器学习工程师的工作时，对深度学习的深入理解将使你成为更合适的候选人。你已经迈出了关键一步！为自己鼓掌 👏🏻。
## 构建你的作品集
你已学习了使用NumPy和Keras进行模型训练的方法。请将你所学的项目加入到你的作品集中。
