什么是 深度学习？
深度学习（Deep Learning）是机器学习的一个子集，它使用具有多层结构的人工神经网络（深度神经网络）从原始输入数据中逐步提取更高层次的特征，从而实现分类、检测和生成等任务的自动表示学习。
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
深度学习架构由多个处理层组成，通过一系列非线性运算对输入数据进行转换。每一层都学习数据越来越抽象的表示。深度一词指的是数据经过转换的层数。与需要手动特征工程的传统机器学习算法不同，深度学习能够从原始数据中自动发现特征检测或分类所需的表示。这种方法在计算机视觉、自然语言处理、语音识别等众多领域取得了突破性成果。
主要特点
- 通过多层神经网络进行层次化特征学习
- 无需手动工程即可自动提取特征
- 需要大量训练数据以获得最佳性能
- 计算密集型，通常需要 GPU 加速
- 能够学习数据中复杂的非线性关系
- 从原始输入到最终输出的端到端学习
常见用途
- 计算机视觉中的图像识别和目标检测
- 自然语言处理，包括翻译和文本生成
- 语音识别和语音合成系统
- 自动驾驶汽车和机器人感知
- 基于医学影像数据的医学诊断
示例
loading...
Loading code...常见问题
用简单的话解释什么是深度学习？
深度学习是一种使用多层人工神经网络从数据中自动学习模式的机器学习类型。与需要手动特征工程的传统机器学习不同，深度学习直接从原始数据中发现图像识别和语言理解等任务所需的表示。
人工智能、机器学习和深度学习有什么区别？
AI 是最广泛的概念——机器模拟人类智能。机器学习是 AI 的子集，系统从数据中学习。深度学习是机器学习的子集，使用多层神经网络。深度学习是最专业化的，在视觉和语言任务中取得了突破性成果。
为什么深度学习叫做「深度」？
「深度」指的是神经网络中的层数。深度网络有许多隐藏层（从几十到几百层），逐步从原始输入数据中提取更高级别的特征，从而学习复杂的层次化表示。
常见的深度学习架构有哪些？
常见架构包括用于图像的 CNN（卷积神经网络）、用于序列的 RNN/LSTM、用于语言和视觉的 Transformer、用于生成的 GAN，以及用于表示学习的自编码器。GPT 和 BERT 等基础模型结合了多种技术。
深度学习需要什么硬件？
深度学习计算密集，通常需要 GPU 加速。带 CUDA 的 NVIDIA GPU 最常用。云平台（AWS、GCP、Azure）提供 GPU 实例。训练大型模型可能需要多个 GPU 或 TPU。推理通常可以在 CPU 或边缘设备上运行。