深度学习（Deep Learning）

深度学习（Deep Learning）是机器学习的一个分支，它以多层人工神经网络为基本架构，让计算机自动从大量数据中学习特征表示，从而完成识别、预测和生成等任务。

概述

「深度」二字指的是网络中堆叠了多个层：数据从输入层进入，逐层经过隐藏层的变换，最终在输出层得到结果。层数越多，网络能够学到的特征就越抽象——以图像为例，浅层可能捕捉边缘和纹理，深层则能组合出物体轮廓乃至完整概念。这种「表征学习」能力是深度学习区别于传统机器学习的关键：过去需要工程师手工设计特征，现在由网络自己从数据中学出来。

神经网络的思想早已有之，但早期研究发现简单的线性感知器无法解决很多分类问题；后来的理论工作表明，采用非线性激活函数、宽度足够的隐藏层网络具备逼近复杂函数的能力。真正让深度学习爆发的，是近年来大规模数据、GPU 算力和训练算法（如反向传播、更好的优化器）三者的共同成熟。

主要特点

• 自动特征提取：无需人工设计特征，网络从原始数据中逐层学习表示。
• 依赖数据与算力：模型效果通常随数据量和参数规模增长而提升，训练常需 GPU 等专用硬件。
• 架构多样：卷积神经网络（CNN）擅长图像，循环网络（RNN）处理序列，Transformer 则成为大语言模型的主流架构。
• 端到端训练:从输入到输出整体优化,减少中间环节的人工干预。

典型应用

深度学习支撑了人脸识别、语音助手、机器翻译、推荐系统、自动驾驶感知等大量日常应用。ChatGPT、Claude 等大语言模型,以及 AI 绘画、视频生成工具,本质上都是超大规模的深度神经网络。

常见问题

问:深度学习和机器学习是什么关系?答:深度学习是机器学习的子集。机器学习还包括决策树、支持向量机等传统方法,深度学习特指基于多层神经网络的方法。

问:深度学习一定比传统方法好吗?答:不一定。在数据量小、特征明确的场景,传统方法往往更简单高效;深度学习的优势体现在图像、语音、文本等高维复杂数据上。

问:入门深度学习需要什么基础?答:通常需要 Python 编程、线性代数与概率基础,再借助 PyTorch 或 TensorFlow 等框架实践,从小型项目逐步深入。