什么是深度学习？

深度学习

深度学习是机器学习的一个子领域，涉及使用人工神经网络从数据中学习特征表示。人工神经网络是深度学习系统的基本组成部分，其设计灵感来源于人脑的工作机制。人类神经系统包含约1000亿个神经元，这些神经元以复杂的结构相互连接。我们的大脑帮助我们识别图像中的物体、周围环境中的语音声音以及其他诸多信息。正是这种由大量神经元组成的复杂系统构成了神经网络，完成上述各种任务。下图展示了一个典型神经元的结构，我们将介绍构成神经元的一些关键部分。

• 树突（Dendrite） 是神经元的接收部分。树突接收来自其他神经元轴突的突触输入，所有输入信号的总和决定了该神经元是否会被激活并产生动作电位。

• 神经元的胞体（Soma）或细胞体 包含细胞核以及其它生命细胞共有的结构。

• 轴突（Axon） 比人的头发细得多，负责将电信号从神经元传出，传递给其他神经元。

• 每个神经元通过其树突接收来自其他神经元的信号。如果这些信号足够强以激活该神经元，则神经元会沿着它的轴突传递信号。

什么是人工神经网络？

• 人工神经网络试图模拟大脑中大量神经元的工作方式，通常简称为 ANN。

• 一个人工神经元的结构如下所示：

• 如上图所示，人工神经元有多个输入进入。每个输入对应的箭头都带有相应的权重。

• 各个输入与其对应的权重相乘后求和，这一过程称为加权和（summation）。

• 接着，施加一个阈值来判断神经元是否被激活，并据此生成输出。

• 多个人工神经元连接在一起，就构成了一个人工神经网络。

深度学习的工作原理

• 当我们将大量神经元堆叠在一起时，就形成了如下结构：

• 网络包含三层：输入层、隐藏层 和 输出层。输入层接收原始输入数据；隐藏层由多个含有神经元的层级组成；输出层也包含神经元，用于生成最终结果。

• 每个神经元执行的操作与上图中展示的一致。此外，每一层还包含一些偏置（bias） 参数，虽然图中未明确标出，但它们会被输入到每一层的神经元中。

• 训练神经网络的目标是学习网络各层中的权重参数。后续课程中我们将详细探讨这一过程的具体实现。

• 图中展示了输入X如何被送入神经网络，经过网络中多个层的处理，最终生成预测结果。

• 利用预测值与真实目标值计算出损失值（Loss Score），然后通过优化器（Optimizer） 在反向传播（Backpropagation） 过程中不断更新神经网络的权重。

神经网络的类型

本课程将重点介绍三种主要类型的神经网络：

• 人工神经网络（Artificial Neural Networks）：后续课程将深入讲解。

• 卷积神经网络（Convolutional Neural Networks）：广泛应用于图像处理和预测问题。

• 循环神经网络（Recurrent Neural Networks）：主要用于处理序列型数据。