教 程 目 录



AI与Python - 深度学习


人工神经网络(ANN)它是一种高效的计算系统,其中心主题借鉴了生物神经网络的类比.神经网络是机器学习的一种模型.在20世纪80年代中期和90年代初期,在神经网络中进行了许多重要的建筑改进.在本章中,您将学习更多关于深度学习的知识.深度学习是从十年的爆炸式计算增长中脱颖而出,成为该领域的一个重要竞争者.因此,深度学习是一种特殊的机器学习,其算法受到人脑结构和功能的启发.

机器学习v/s深度学习

如今,深度学习是最强大的机器学习技术.它是如此强大,因为他们学习如何在学习如何解决问题的同时表达问题.深度学习和机器学习的比较在下面和下面给出;

数据依赖性

第一个差异点是基于DL的性能和ML当数据规模增加时.当数据量很大时,深度学习算法的表现非常好.

机器依赖性

深度学习算法需要高端机器才能完美运行.另一方面,机器学习算法也适用于低端机器.

特征提取

深度学习算法可以提取高级功能和也尝试从同样的东西中学习.另一方面,专家需要识别机器学习提取的大部分功能.

执行时间

执行时间取决于算法中使用的众多参数.深度学习比机器学习算法具有更多参数.因此,DL算法的执行时间,特别是训练时间,远远超过ML算法.但DL算法的测试时间少于ML算法.

解决问题的方法

深度学习解决了端到端的问题机器学习使用传统的方法解决问题,即将其分解为部分.

卷积神经网络(CNN)

卷积神经网络是与普通神经网络相同,因为它们也由具有可学习权重和偏差的神经元组成.普通的神经网络忽略了输入数据的结构,所有数据在送入网络之前都被转换成1-D阵列.此过程适合常规数据,但如果数据包含图像,则过程可能很麻烦.

CNN可以轻松解决此问题.它在处理图像时将图像的2D结构考虑在内,这允许它们提取特定于图像的属性.这样,CNN的主要目标是从输入层中的原始图像数据到输出层中的正确类.普通NN和CNN之间的唯一区别在于输入数据和层类型的处理.

CNN架构概述

架构上普通神经网络接收输入并通过一系列隐藏层对其进行变换.在神经元的帮助下,每一层都与另一层相连.普通神经网络的主要缺点是它们不能很好地扩展到完整的图像.

CNN的体系结构具有三维排列的神经元,称为宽度,高度和深度.当前层中的每个神经元都连接到前一层输出的小块.它类似于在输入图像上叠加