##走进深度学习：一文带你深入了解Deep Learning算法

全文共4028字，预计学习时长13分钟

本文插图
图源：towardsdatascience
深度学习、机器学习、人工智能……你可能常常见到这些词一起出现，然而它们之间是什么关系呢？深度学习是与机器学习相关的下位词，机器学习又是与人工智能相关的下位词。
在过去的几年里，深度学习最广泛的用例是图像处理。尽管面部识别功能已经存在很长时间了，但是完美没有极限。
对于想从头开始学习深度学习的人来说，理解它的工作机制似乎很难。而本文将讨论真正的算法以及它们背后的经典数学知识，希望这篇文章能让你对该领域有一个总体认识，能了解特定情况下应使用的算法。
现在开始吧。

本文插图
神经网络：基础
神经网络是一个具有互连节点的计算系统，其节点的工作方式更像是人脑中的神经元。信息在这些神经元间处理并传递。每个神经网络都是一系列算法，旨在通过模仿人脑的运作过程来识别一组数据中的潜在关系。

本文插图
图源：sci
深度学习算法和典型的神经网络之间有什么区别？最明显的区别是：深度学习中使用的神经网络具有更多隐藏层。这些隐藏层在神经元的第一层（输入层）与最后一层（输出层）之间。此外，不必将不同级别的所有神经元彼此连接。
接下来来谈谈更复杂的事情。也就是允许我们使用神经网络这一尖端技术的机制：深度学习算法。

本文插图
1.反向传播
反向传播算法是一种流行的监督算法，用于训练前馈神经网络进行监督学习。本质上，反向传播计算从左到右（“向后”）每一层之间的导数乘积，将其作为成本函数的导数，层间的权重梯度是对这部分乘积的简单修正（“反向传播误差”）。

本文插图
图源：unsplash
给网络提供数据，它会产生一个输出，（使用损失函数）将该输出与期望输出进行比较，然后根据差异重新调整权重。接着不断重复这一过程。权重的调整是通过一种名为随机梯度下降的非线性优化技术来实现的。
假设由于某种原因需要识别具有一棵树的图像。我们向网络提供任意图像，其将产生输出。由于我们知道图像中是否有一棵树，因此可以将输出与真实情况进行比较并调整网络。随着输入的图像越来越多，网络犯的错误将越来越少。现在可以给网络提供一个未知的图像，它将告诉我们该图像是否包含树。很酷吧？

本文插图
2.卷积神经网络(CNN)
除了为机器人和自动驾驶汽车的视觉提供动力外， ConvNets还成功地识别了人脸，物体和交通标志。
源于拉丁语 “convolvere” ， “卷积（toconvolve）”的意思是卷到一起。从数学的角度来说，卷积是一个函数越过另一个函数时两个函数重叠程度的积分度量。可将其视为通过将两个函数相乘来混合它们的一种方式。

本文插图
图源：Mathworld.
绿色曲线作为的函数，表示蓝色和红色曲线的卷积，而垂直的绿色直线用于指示其位置。灰色区域作为的函数，表示乘积，因此其作为的函数的面积恰好就是卷积。