AI 与 Python – 深度学习

人工神经网络（ANN）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模型的一种。在 20 世纪 80 年代中期和 90 年代初，神经网络在架构上取得了许多重要的进步。在本章中，您将更多地了解深度学习，这是一种人工智能方法。

深度学习经历了十年来爆炸性的计算增长，成为该领域的有力竞争者。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。

机器学习与深度学习

深度学习是当今最强大的机器学习技术。它之所以如此强大，是因为他们在学习如何解决问题的同时，也学会了表示问题的最佳方式。深度学习和机器学习的比较如下 -

第一个区别是数据规模增加时深度学习和机器学习的性能。当数据量很大时，深度学习算法表现得非常好。

深度学习算法需要高端机器才能完美运行。另一方面，机器学习算法也可以在低端机器上运行。

深度学习算法可以提取高级特征并尝试从中学习。另一方面，需要专家来识别机器学习提取的大部分特征。

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有更多的参数。因此，深度学习算法的执行时间，特别是训练时间，比机器学习算法要长得多。但深度学习算法的测试时间少于机器学习算法。

深度学习端到端地解决问题，而机器学习则使用传统的方法来解决问题，即将问题分解为多个部分。

卷积神经网络与普通神经网络相同，因为它们也是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输入数据的结构，所有数据在输入网络之前都被转换为一维数组。此过程适合常规数据，但如果数据包含图像，则过程可能会很麻烦。

CNN 轻松解决了这个问题。它在处理图像时考虑了图像的 2D 结构，这使得它们能够提取图像特有的属性。这样，CNN 的主要目标就是从输入层的原始图像数据到输出层的正确类别。普通 NN 和 CNN 之间的唯一区别在于输入数据的处理和层的类型。

从架构上来说，普通的神经网络接收输入并通过一系列隐藏层对其进行转换。每一层都在神经元的帮助下连接到另一层。普通神经网络的主要缺点是它们不能很好地扩展到完整图像。

CNN 的架构将神经元排列成 3 个维度，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一小部分。它类似于覆盖一个