专项话题►回忆AI时代-从图灵机到人工智能

深度学习为什么强大?神经网络的发展与突破!


📚 文章 ( 📝 字数： 568 ⏱ 阅读时间： 2 分钟 )

系列文章见: 《回忆AI时代-从图灵机到人工智能》

什么是深度学习

深度学习是一种机器学习方法，采用多层神经网络（称为深度神经网络）模拟人脑的决策机制。深度学习为大多数人工智能 (AI) 应用提供动力，广泛应用于图像识别、语音识别和自然语言处理 (NLP)等领域。 这里的“深度”是：

1
2
3
4
5
6
7
8
9
10
11
输入层（图片像素）
      ↓
隐藏层1（识别边缘）
      ↓
隐藏层2（识别纹理）
      ↓
隐藏层3（识别眼睛、耳朵）
      ↓
隐藏层4（组合成猫的特征）
      ↓
输出层（判断是否为猫）

层数越多，网络就越“深”。

深度学习的演变

2006年,通常被认为是现代深度学习的起点，Geoffrey Hinton发表论文《A Fast Learning Algorithm for Deep Belief Nets》提出逐层预训练方法，解决深层网络训练困难的问题。

2012年，图像识别竞赛中（ImageNet Large Scale Visual Recognition Challenge），Geoffrey Hinton团队开发的AlexNet取得压倒性胜利，错误率传统方法26%，AlexNet15%。从此业界开始关注并投入深度学习，深度学习进入了黄金时代。

案例

Scikit-learn（简称 sklearn）是Python最流行的传统机器学习库之一，适合学习机器学习和神经网络基础。业界有两种常见框架Sklearn和TensorFlow，它们区别：

项目 scikit-learn TensorFlow
学习难度 简单 较复杂
聚类 支持 不擅长
分类 支持 支持
神经网络 简单版 专业版
深度学习 不支持 支持
GPU训练 不支持 支持
入门推荐 ⭐⭐⭐⭐⭐ ⭐⭐⭐

所以推荐用Scikit-learn。

案例
假设：

1
2
3
4
5
输入 x
输出 y

规律：
y = 2x

数据规律：

x y
1 2
2 4
3 6
4 8

安装Scikit-learn。

1
pip install scikit-learn

Python代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
from sklearn.neural_network import MLPRegressor
import numpy as np

# 训练数据
X = np.array([[1], [2], [3], [4]])
y = np.array([2, 4, 6, 8])

# 神经网络
model = MLPRegressor(
    hidden_layer_sizes=(5,),  # 隐藏层5个神经元
    activation='relu',
    max_iter=5000,
    random_state=42
)

# 训练
model.fit(X, y)

# 预测
print(model.predict([[5]]))

它的网络结构：

1
2
3
4
5
6
7
8
9
10
11
12
13
输入层
  x
  │
  ▼

隐藏层
○ ○ ○ ○ ○

  │
  ▼

输出层
  y

实际上神经网络在不断调整：

1
2
权重(w)
偏置(b)

让预测值越来越接近真实值。