03神经网络模型a1深度学习

1、2017.8.24 更新计算机神经网络和人脑的区别先把这拆解成两个词，“深度”和“学习”，逐一说明。“学习”是从小就接触的词，每天听着好好学习，天天向上的教诲。小时候的学习就是上课，做题，最终通过验证了学习的效果。抽象的说，学习就是认知的过程，从未知到已知的探索和思考。比如从最早的学+1=2，想想是怎么学习的?伸出一只手指，再伸出一只手指，数一数，两只手指那就是 2。这里提前再定义一个概念，输入和输出，输入就是已知的信息，输出就是最终获得的认知的结果。这里的 1 和加号+，就是输入，而得到的计算结果 2 就是输出。所以，任何的从已经有的信息，无论是通过计算，判断，推理而后得到一个认知的过程都可

2、以称为“学习”。那么为什么有的人学习能力好，成绩高，但有的人成绩就没那么好呢。这经常的被解释为学习方法，思考过程，经验不同而导致的差异，可以归为“学习策略”，好的学习策略会更快更准确的得到认知的结果，而不好的学习策略可能会花费的时间或者错误的结论。现实世界中很多都可以归为分类或者识别或者选择，比如下围棋，下一步的棋子落在什么地方，就是此类问题。而研究此类问题，学术界研究出来一种叫做“神经网络”的学习策略。这个词听起来，就知道和人脑有着一些关系。在人脑中负责活动的基本单元是“神经元”，它以细胞体为主体，由许多向周围延伸的不规则树枝状的神经细胞，把神经元的结构想象成一棵枯树的枝干就可以了。人脑中含

3、有上百亿个神经元，而这些神经元互相连接成一个更庞大的结构，就称为“神经网络”。学术界试图模仿人脑的“神经网络“建立一个类似的学习策略，也取名为”神经网络“。下图就是一个神经网络的大致结构作者：大胡子 uncle：htt来源：知乎著作权归作者所有。商业/question/24097648/answer/219167997请联系作者获得，非商业请注明出处。从 x1,x2,x3 输入到输出的过程，这里又定义了一个层次的概念，譬如上图就包括四层，包含最左边的输入层，和最右边的输出层，如果这是一道选择题的话，那么题目就是输入层，而 ABCD 的选择结果就是输出层，如上图的 L1 和 L2 分别是输入层和

4、输出层。而选择题解题的过程是不写出来的，叫做”隐藏层“，这里L2 和 L3 就是隐藏层，题目越难，给出的信息可能是越多的，而解题所需要的过复杂的，也就可能需要的”隐藏层“来计算最终的结果。但是由于到目前，还无法知道人脑工作的复杂性，所以这两个神经网络也只能是形似而已。第一，人脑神经网络的一个神经元会动态随机的同其他的神经元建立联系，这种随机性建立的神经元的连接可能也就是为什么有的时候可以想起来一个事情，但有的是有又会忘记某件事情，当然很有可能在某个时刻，你又不经意的想起了它。其次，人脑神经网络和计算机神经网络的不同在于，人脑可以解决通用性和跨领域，而计算机神经网络只能解专门，所以哪怕狗在围棋界

5、孤谁更漂亮。独求败战胜了所有，但他也不能识别出站在他面前的两个第三，计算机的神经网络需要大量的数据才能训练出一个基本的技能，而人类的思维具有高度的抽象。所以计算机看成千上万只猫的而哪怕是一个小孩看两三次猫，就有同样的本领。才能识别出猫，最终要来解释深度学习的”深度“了，就是从”输入层“到”输出层“所经历层次的数目，即”隐藏层“的层数，层数越多，板凳的深度也越深。所以越是复杂的选择问题，越需要深度的层次多。当然，除了层数多外，每层”神经元“，也就是如上图，橙色小圆圈的数目也要多。例如，AlphaGo 的策略网络是 13 层。每一层的神经元数量为 192 个。总结一句话，深度学习就是用多层次的分析

6、和计算，得到结果的法。深度学习的实质，就是通过构建机器学习模型和海量训练数据，来逐层变换特征，以分类或的准确性，深度学习属于机器学习研究领域的一个新的分支，是一个复杂的机器学习算法。其研究的目的在于建立、模拟人脑的神经网络，并模仿人脑的机制来解释如图像、声音和文本之类的数据。深度学习引领着”大数据+深度模型“时代的来临，推动着人工智能和人机交互向前快速发展，深度学习，包括多层的人工神经网络和训练它的方法两个方面，可以先了解一下，深度学习大热以后各种模型层出不穷，主流的深度学习模型有哪些？ - 人工智能 多智时代深度学习的实质，就是通过构建机器学习模型和海量训练数据，来逐层变换特征，以分类或的准确性，深度学习属于机器学习研究领域的一个新的分支，是一个复杂的机器学习算法。其研究的目的在于建立、模拟人脑的神经网络，并模仿人脑的机制来解释如图像、声音和文本之类的数据。深度学习引领着”大数据+深度模型“时代的