什么是 深度学习？
深度学习（Deep Learning）是机器学习的一个子领域：它训练多层人工神经网络，围绕指定目标从数据中拟合表示与预测。其行为取决于架构、数据、优化、正则化和评测协议。
快速了解
| 创建时间 | 2006 年由 Geoffrey Hinton 等人提出 |
|---|---|
| 规范文档 | 官方规范 |
工作原理
深度学习架构会组合参数化线性运算与非线性、归一化、注意力、循环或卷积结构。「深度」描述多重变换，但层数本身不能证明质量。神经网络可以从原始输入、工程特征或两者结合中学习有用表示，但其结果仍受数据覆盖、标签政策、目标函数、优化过程和部署分布限制。 CNN、循环网络、Transformer 与扩散组件解决的结构性问题不同，应根据任务的局部性、序列长度、延迟、内存、隐私和运维约束选择。可信系统应使用防泄漏的训练/验证/测试切分、任务相关的基线、可复现版本与随机种子、误差切片和上线后监控。基础模型可以适配下游任务，但适配不能免除对目标场景的安全、成本、许可证和失败模式评测。
主要特点
- 组合多层学习变换来表示复杂函数
- 可从原始输入、工程特征或两者结合中学习表示
- 数据与算力需求随任务复杂度、迁移学习、模型规模和目标误差变化
- 训练与推理存在可测量的延迟、内存、能耗和硬件权衡
- 可以拟合非线性关系，也可能学习伪相关或发生数据泄漏
- 需要留出集评测、可复现记录和失败分析
常见用途
- 按类别、几何、光照和子群错误切片评测的视觉系统
- 按领域、语言、安全和延迟约束评测的语言与语音系统
- 具备任务专用质量与人工复核控制的排序或生成系统
- 带置信度处理和安全降级策略的机器人感知
- 由合格专家和适用监管要求验证的临床或科学决策支持
示例
Loading code...常见问题
用简单的话解释什么是深度学习？
深度学习是使用多层神经网络的机器学习。训练时，网络参数会根据数据和目标函数优化。它可以从原始输入学习有用表示，但不会自动理解任务，也不会消除代表性数据、误差指标和留出集评测的需要。
人工智能、机器学习和深度学习有什么区别？
AI 是覆盖感知、预测、语言、规划与控制等任务的广义概念；机器学习是 AI 中由数据驱动的子领域；深度学习则是以多层神经网络为基础的机器学习方法族。这种层级关系不意味着深度学习适合所有视觉或语言任务。
为什么深度学习叫做「深度」？
「深度」指多个学习变换的组合。有效深度取决于架构、目标、数据、优化和计算预算，不存在一个通用的层数阈值能保证模型有用或「足够深」。
常见的深度学习架构有哪些？
常见家族包括用于局部空间结构的 CNN、处理序列状态的 RNN 与门控变体、通过注意力混合上下文的 Transformer、用于潜变量表示的自编码器和 VAE、对抗生成的 GAN，以及迭代去噪的扩散模型。应依据数据结构、延迟、内存、可靠性和评测证据选择，而非套用固定的模态到架构映射。
深度学习需要什么硬件？
硬件需求取决于模型大小、批量、序列或图像分辨率、精度、延迟目标，以及训练还是推理。CPU、GPU、专用加速器和边缘设备都可能合适。选择基础设施前，应针对实际模型修订版测量峰值内存、吞吐、首结果时间、能耗或成本和运维约束。