Deep Learning
Were equations, pictures or diagrams not properly rendered, please refresh the page. If the problem persists, you can contact me.
深度学习（Deep Learning）是机器学习（Machine Learning）和人工智能（Artificial Intelligence）研究的最新趋势之一，是当今最流行的科学研究趋势之一。深度学习方法为AI的发展带来了革命性的进步，新的深度学习技术正在不断更新迭代，几乎每天都在有重大突破。
正是由于深度学习的爆炸式发展，导致了它的进展很难被跟进，特别是对于Beginner，因此在本文中，我们将简要讨论深度学习的发展历程及其近年来的进展。
首先我们先通过以下定义来了解ML、DL、AI以及当下火热的AIGC：
- 机器学习：是人工智能的子集，它采用可让机器凭借经验在任务中做出改善的技术（例如深度学习）。学习过程基于以下步骤：
- 将数据馈送到算法中（在此步骤中可向模型提供更多信息，例如通过执行特征提取）
- 使用此数据训练模型
- 测试并部署模型
- 使用部署的模型执行自动化预测任务（换言之，调用并使用部署的模型来接收模型返回的预测）
- 深度学习：是机器学习的子集，它基于人工神经网络。学习过程之所以是深度性的，是因为人工神经网络的结构由多个输入、输出和隐藏层构成。每个层包含的单元可将输入数据转换为信息，供下一层用于特定的预测任务。得益于这种结构，机器可以通过自身的数据处理进行学习。
- 人工智能：是使机器能够模拟人类智能的技术。 其中包括机器学习。
- 生成式人工智能：是人工智能的一部分，可使用深度学习等技术生成新的内容。 例如，可以使用生成式 AI 创建图像、文本或音频。 这些模型利用大量预先训练的知识来生成此内容。
DLvsML.jpg
DL vs ML
在机器学习中，我们需要告知算法如何使用更多信息（例如通过执行特征提取）做出准确的预测。
在深度学习中，得益于人工神经网络结构，算法可以了解如何通过自身的数据处理做出准确预测。
下表展示的是ML和DL的不同之处：
| 机器学习 | 深度学习 | |
|---|---|---|
| 数据输入 | 可以使用少量的数据做出预测 | 需要使用大量的训练数据做出预测 |
| 硬件依赖 | 可在低端机器上工作，不需要大量的计算能力 | 依赖于高端机器，执行大量的矩阵乘法运算，需要GPU来有效地优化这些运算 |
| 特征化过程 | 需要可准确识别且由用户创建的特征 | 从数据中习得高级特征，并自行创建新的特征 |
| 学习方法 | 将学习过程划分为较小的步骤，然后将每个步骤的结果合并成一个输出 | 通过端到端地解决问题来完成学习过程 |
| 执行时间 | 花费几秒到几小时的相对较少时间进行训练 | 通常需要很长的时间才能完成训练，因为深度学习算法涉及到许多层 |
| 输出 | 输出通常是一个数值，例如评分或分类 | 输出可以采用多种格式，例如文本、评分或声音 |
Comments
Be the first one to comment on this page!