深度学习

定义

深度学习(Deep Learning)是机器学习的一个分支,以包含多个隐藏层的人工神经网络为模型,通过逐层非线性变换从原始数据中自动学习由低级到高级的特征表示。"深度"指网络层数较多,使模型具备强大的表示能力,能够处理图像、语音、文本等高维复杂数据。[1]

原理

深度学习模型由多层神经元构成,每层对输入进行加权变换并经激活函数引入非线性。训练时,模型通过前向传播计算输出与损失,再借助反向传播算法计算损失对各参数的梯度,并用梯度下降类优化器逐步更新参数。其关键在于自动特征学习:网络无需人工设计特征,而是在训练中习得分层表示。不同任务发展出专门架构,如卷积神经网络擅长图像、循环网络与Transformer擅长序列。深度模型通常依赖大规模数据与算力(尤其是GPU)进行训练。

特点

深度学习的优势在于强大的表示与泛化能力,在感知类任务上表现卓越,并能端到端地从原始数据学习。其代价包括:对数据与算力需求大、训练成本高、模型可解释性较弱,且易受过拟合与对抗样本影响。

应用

深度学习推动了计算机视觉、语音识别、自然语言处理、自动驾驶与科学计算等领域的突破,也是大语言模型与生成式人工智能的技术基础,是当代人工智能浪潮的主要驱动力。