深度學習


人工神經網路(ANN)是一個高效的計算系統,其核心主題是從生物神經網路的類比中借鑒的。 神經網路是機器學習的一種模型。 在二十世紀八十年代中期和九十年代初期,神經網路中有很多重要的架構改進。 在本章中,您將學習更多關於深度學習的知識,這是AI的一種方法。

深度學習是作為該領域的一個重要競爭者,從十年來爆炸性的計算增長中浮現出來的。 因此,深度學習是一種特殊的機器學習,其演算法受人腦結構和功能的啟發。

機器學習 VS 深度學習

深度學習是目前最強大的機器學習技術。 這是非常強大的,因為他們學習如何解決問題的同時代表問題的最佳方式。下面給出了深度學習和機器學習的比較 -

資料依賴性
第一點不同是基於DL和ML在資料規模增加時的效能。當資料量很大時,深度學習演算法表現非常好。

機器依賴性
深度學習演算法需要高階機器才能完美執行。 另一方面,機器學習演算法也可以用於低端機器。

特徵提取
深度學習演算法可以提取高階功能,並嘗試從相同的方面學習。 另一方面,專家需要識別機器學習提取的大部分特徵。

執行時間
執行時間取決於演算法中使用的眾多引數。 深度學習比機器學習演算法具有更多引數。 因此,DL演算法的執行時間,特別是訓練時間,遠遠超過ML演算法。 但是DL演算法的測試時間少於ML演算法。

解決問題的方法
深度學習解決了端到端的問題,而機器學習使用傳統的解決問題的方法,即將問題分解成多個部分。

折積神經網路(CNN)

折積神經網路與普通神經網路相同,因為它們也由具有可學習的權重和偏差的神經元組成。 普通的神經網路忽略了輸入資料的結構,所有的資料在送入網路之前都被轉換為一維陣列。 該過程適合常規資料,但是如果資料包含影象,則該過程可能很麻煩。

CNN很容易解決這個問題。 它在處理影象時考慮了影象的二維結構,這使得它們可以提取特定於影象的屬性。 這樣,CNN的主要目標就是從輸入層中的原始影象資料到輸出層中的正確類。 普通神經網路和CNN之間唯一的區別在於處理輸入資料和圖層型別。

CNN的體系結構概述

在架構上,普通的神經網路接收輸入並通過一系列隱藏層轉換它。 在神經元的幫助下,每層都連線到另一層。 普通神經網路的主要缺點是它們不能很好地擴充套件到完整的影象。

CNN的體系結構具有三維排列的神經元,稱為寬度,高度和深度。 當前圖層中的每個神經元都連線到前一圖層的一小部分輸出。 它類似於在輸入影象上疊加一個`