深度學習聽課 | 深度學習的介紹 | 01
阿新 • • 發佈:2021-07-14
目錄
深度學習的概念
深度學習: deep learning
,是機器學習的分支,是一種以人工神經網路為架構,對資料進行特徵學習的演算法.
機器學習和深度學習的區別
區別1: 特徵提取
從特徵提取的角度出發:
(1) 機器學習需要人工的特徵提取過程
(2) 深度學習沒有複雜的人工提取過程,特徵提取的過程可以通過深度神經網路自動完成.
區別2: 資料量
從資料量角度出發:
(1) 深度學習需要大量的訓練資料集,會有更高的效果.(相對而言,機器學習的資料量少很多)
(2) 深度學習訓練深度神經網路需要大量的算力,因為其中有更多的引數.
常見的深度學習框架
目前企業中常見的深度學習框架有很多,TensorFlow
,Caffe2
,Keras
,Theano
,PyTorch
...
其中TensorFlow
和Kears
是Google
出品的,使用者很多,但是其語法晦澀而且和python
語法不盡相同,對於入門玩家而言上手難度較高.
所以在之後的課程中我們會使用Facebook
出的PyTorch
,PyTorch
的使用和python
的語法相同,整個操作類似Numpy
的操作,並且PyTorch
使用的是動態計算,會讓程式碼的除錯變的更加簡單.
小結
1. 深度學習的概念是什麼? 1) 機器學習的一個分支 2) 以人工神經網路為架構,對資料進行特徵學習的演算法. 2. 深度學習和機器學習的區別? (1) 從特徵提取的角度進行說明 input => 特徵提取+分類 => output 機器學習: input => 人工特徵抽取+演算法分類 => output 深度學習: input => (神經網路) => output 神經網路會自動對特徵進行抽取,這是和傳統機器學習最大的差別. (2) 從資料量的角度進行說明 深度學習需要的資料量非常大,因為神經網路涉及到的引數非常多. 相對於傳統機器學習演算法,因為引數少,所以需要的資料量相對也少很多.