深度学习(Deep Learning) 简介
深度学习(Deep Learning)
深度学习在海量数据情况下的效果要比机器学习更为出色。
多层神经网络模型
神经网络
有监督机器学习模型
- 输入层
- 隐藏层 (黑盒)
- 输出层
概念:
- 神经元 Neuron
A^(n+1)
- 网络权重 Weights
W^n
- 偏移 bias
b^n
激活函数:
- ReLU
- tanh
- Sigmoid
点击查看激活函数详情: https://blog.csdn.net/galoiszhou/article/details/135154697
监督类机器学习模型的目标就是在给定一个任务的情况下,找到最优化的参数,使得 Loss 损失值最小,其中 Loss 损失值就是预测结果和真实结果之间的误差。
神经网络的目标就是在给定一个任务的情况下,找到最优的Weights 和 bias,使得 Loss 最低。
CNN
图像识别这项技术已经发展得很成熟,卷积神经网络(Convolutional Neural Networks,CNN)又是其中的主流技术
- 神经网络
- 输入层
- 隐藏层
- 特征提取层
- 卷积层
- 激活函数
- 池化层
- 全连接层
- 特征提取层
- 输出层
- CNN
任意一张彩色图片都可以表示成一个三阶张量,即三维数组。所有彩色图像都是由红、绿、蓝(RGB)叠加而成的.
CNN 网络模型的数据输入就是将彩色图像分解为 R、G、B 这 3 个通道,其中每个通道的值都在 0 到 255 之间。
过滤掉干扰信息,并且识别图像中的主体信息, 做法就是不断模糊化一张图片. 通过 CNN 的卷积和池化来实现
在完成各层的卷积运算后,深度学习模型还需要进行非线性的变换,非线性的变换是通过增加激活函数来实现的,通过激活函数将“线性回归”拟合的直线编程曲线.
池化的目的也是提取特征,减少向下一阶段传递的数据量,池化过程的本质是“丢弃”,即只保留图像主体特征,过滤掉无关信息的数据特征。
CNN 的所有卷积和池化操作都是在提取特征,直到全连接层才进入真正的训练学习阶段,做最后的分类计算。
在 CNN 中,全连接层一般是用的是 Softmax 函数来进行分类.
深度学习的优点:
- 可以拟合任意复杂的数据分布
- 性能好
深度学习的缺点:
- 可解释性非常的差
- 非常消耗资源
- 对数据依赖很强
- 模型复杂
深度学习适用的样本数据:
- 图像数据
深度学习在图像处理领域取得了巨大成功。它可以用于图像分类、目标检测、图像生成等任务。图像数据通常表示为像素的数值矩阵。 - 语音和音频数据
深度学习在语音识别、语音生成和音频处理等方面取得了显著的成果。声波信号的时域或频域表示可作为输入进行处理。 - 文本和自然语言数据
深度学习在自然语言处理领域广泛应用,包括文本分类、命名实体识别、机器翻译等任务。文本数据通常以词向量或嵌入表示。 - 时间序列数据
深度学习在处理时间序列数据(如股票价格、气象数据、生物传感器数据)方面非常有效。循环神经网络(RNN)和长短时记忆网络(LSTM)等模型常用于处理时间序列。 - 视频数据
视频数据是一系列帧的集合,深度学习可用于视频分类、动作识别、目标跟踪等任务。卷积神经网络(CNN)和时空卷积网络(3D CNN)是处理视频数据的常见模型。 - 医学图像数据
在医学领域,深度学习被广泛应用于医学图像的分析,如病理学图像、医学影像(CT、MRI等)的分割和识别。 - 传感器数据
传感器产生的数据,例如加速度计、陀螺仪、GPS 数据等,可以通过深度学习进行分析。这在物联网(IoT)和智能设备领域有广泛应用。 - 社交媒体数据
深度学习可用于处理社交媒体上的文本、图像和视频数据,用于情感分析、用户推荐、图像标注等任务。 - 游戏数据
在游戏领域,深度学习可以用于强化学习,训练智能体玩游戏,并在复杂的游戏环境中做出智能决策。 - 生物信息学数据
深度学习在处理生物信息学数据,如基因组数据、蛋白质序列等方面也有应用,例如基因表达模式的分析。
深度学习的场景:
- 计算机视觉
- 图像分类 通过深度学习,可以训练模型对图像进行准确的分类,应用于物体识别、图像检索等。
- 目标检测 深度学习模型可以检测图像中的多个对象,并标识它们的位置,用于自动驾驶、视频监控等。
- 图像分割 用于将图像分割成具有语义意义的区域,例如医学图像分割、自然场景分割等。
- 自然语言处理(NLP)
- 文本分类 用于情感分析、垃圾邮件过滤、新闻分类等。
- 机器翻译 利用深度学习模型实现更准确和流畅的翻译。
- 文本生成 生成自然语言文本,如文章摘要、对话生成等。
- 语音处理
- 语音识别 将语音信号转换为文本,应用于语音助手、语音搜索等。
- 语音生成 通过深度学习生成自然流畅的语音,用于语音合成系统。
- 推荐系统
- 个性化推荐 利用深度学习分析用户行为,实现更准确的个性化推荐,如音乐、电影、商品推荐等。
- 医学图像分析
- 病理图像分析 用于癌症检测、肿瘤分析等。
- 医学影像识别 在CT、MRI等医学影像中识别疾病和异常。
- 自动驾驶
- 图像处理 通过深度学习对车辆周围环境进行实时识别和分析,实现自动驾驶决策。
- 金融欺诈检测
- 交易分析 通过深度学习分析金融交易数据,识别潜在的欺诈行为。
- 游戏开发
- 游戏智能体 利用深度学习实现游戏中的智能体,例如对弈游戏中的人工智能对手。
- 物联网(IoT)
- 传感器数据分析 利用深度学习对传感器数据进行实时分析,如智能家居、工业物联网等。
- 人脸识别和生物特征识别
- 人脸解锁: 通过深度学习模型进行人脸识别,用于手机解锁、门禁系统等。
- 生物特征识别: 例如指纹识别、虹膜识别等。
相关文章:

深度学习(Deep Learning) 简介
深度学习(Deep Learning) 深度学习在海量数据情况下的效果要比机器学习更为出色。 多层神经网络模型 神经网络 有监督机器学习模型 输入层隐藏层 (黑盒)输出层 概念: 神经元 Neuron A^(n1)网络权重 Weights W^n偏移 bias b^n 激活函数: ReLUtan…...

服务器raid中磁盘损坏或下线造成阵列降级更换新硬盘重建方法
可能引起磁盘阵列硬盘下线或故障的情况: 硬件故障: 硬盘物理损坏:包括但不限于坏道、电路板故障、磁头损坏、盘片划伤、电机故障等。连接问题:如接口损坏、数据线或电源线故障、SATA/SAS控制器问题等。热插拔错误:在不…...

Ubuntu 常用命令之 exit 命令用法介绍
📑Linux/Ubuntu 常用命令归类整理 exit命令在Ubuntu系统下用于结束一个终端会话。它可以用于退出当前的shell,结束当前的脚本执行,或者结束一个ssh会话。 exit命令的参数是一个可选的整数,用于指定退出状态。如果没有指定&#…...

依托亚马逊云科技构建韧性应用
背景 现代业务系统受到越来越多的韧性相关的挑战,特别是客户要求他们的业务系统 724 不间断的运行。因此,韧性对于云的基础设施和应用系统有着至关重要的作用。 亚马逊云科技把韧性视为一项最基本的工作,为了让我们的业务系统能持续优雅地提供…...

Prometheus-JVM
一. JVM监控 通过 jmx_exporter 启动端口来实现JVM的监控 Github Kubernetes Deployment Java 服务,修改 wget https://repo1.maven.org/maven2/io/prometheus/jmx/jmx_prometheus_javaagent/0.19.0/jmx_prometheus_javaagent-0.19.0.jar# 编写配置文件࿰…...

flink sql1.18.0连接SASL_PLAINTEXT认证的kafka3.3.1
阅读此文默认读者对docker、docker-compose有一定了解。 环境 docker-compose运行了一个jobmanager、一个taskmanager和一个sql-client。 如下: version: "2.2" services:jobmanager:image: flink:1.18.0-scala_2.12container_name: jobmanagerports:…...

pytorch张量的创建
张量的创建 张量(Tensors)类似于NumPy的ndarrays ,但张量可以在GPU上进行计算。从本质上来说,PyTorch是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何n维数组。 import torch import numpy torch.manual_seed(7) # 固…...

Web自动化测试工具的优势分析
Web自动化测试工具在现代软件开发中扮演着关键的角色,帮助团队确保Web应用程序的质量和稳定性。然而,选择合适的Web自动化测试工具对项目的成功至关重要。本文将介绍Web自动化测试工具优势是什么! 1. 自动化执行 Web自动化测试工具能够模拟用户的行为&am…...

黑豹程序员-读properties属性文件本地正常,打包jar后运行出错
读properties属性文件本地正常,打包jar后运行出错 java.io.FileNotFoundException:file:\D:\code\xml-load\target\XX.jar!\XXX(文件名、目录名或卷标语法不正确。)原因是读取方式不正确 当使用Spring Boot将应用打成jar时,需要读取resources目录下配置…...

PyQt6 QTimer计时器控件
锋哥原创的PyQt6视频教程: 2024版 PyQt6 Python桌面开发 视频教程(无废话版) 玩命更新中~_哔哩哔哩_bilibili2024版 PyQt6 Python桌面开发 视频教程(无废话版) 玩命更新中~共计52条视频,包括:2024版 PyQt6 Python桌面开发 视频教程(无废话版…...

Vue:defineAsyncComponent(异步组件)、component(动态组件)、keep-alive(缓存组件)
异步组件:defineAsyncComponent Vue3 的 defineAsyncComponent 特性可以让我们延迟加载组件。因为在默认情况下,在构建项目或运行项目时,会将所有所需要的打包成一个整体,vue为单页面应用,同步加载大量的页面代码会导…...

14 款最佳文件恢复软件 [2024 年最佳精选工具]
顶级文件恢复软件的综合列表和比较。阅读此详细评论以选择最佳文件恢复工具并轻松恢复您的文件: 您在选择文件恢复工具时遇到困难吗?在阅读了对十大文件恢复软件的评论后,您可以做出正确的决定。 数据丢失是一个严重的问题,会损…...

Redis基础篇-004 Redis的Java客户端
Redis客户端分为三类: 命令行客户端图形化桌面客户端编程客户端(java客户端) redis可视化工具和客户端 1、 Jedis快速入门 Jedis的官网地址: https://github.com/redis/jedis 1.1 新建一个Maven工程并引入以下依赖 <!--引入…...

【数据结构和算法】---栈和队列的互相实现
目录 一、用栈实现队列1.1初始化队列1.2模拟入队列1.3模拟出队列1.4取模拟的队列头元素1.5判断队列是否为空 二、用队列实现栈2.1初始化栈2.2模拟出栈2.3模拟入栈2.4取模拟的栈顶元素2.5判读栈是否为空 一、用栈实现队列 具体题目可以参考LeetCode232. 用栈实现队列 首先要想到…...

机场信息集成系统系列介绍(6):机场协同决策支持系统ACDM
目录 一、背景介绍 1、机场协同决策支持系统是什么? 2、发展历程 3、机场协同决策参与方 4、相关定义 二、机场协同决策ACDM的建设目标 (一)机场协同决策支持系统的宏观目标 1、实现运行数据共享和前序航班信息透明化 2、实现地面资源…...

GO设计模式——17、解释器模式(行为型)
目录 解释器模式(Interpreter Pattern) 解释器模式的核心角色: 优缺点 代码实现 解释器模式(Interpreter Pattern) 解释器模式(Interpreter Pattern)提供了评估语言的语法或表达式的方式&am…...

基于SSM的大学生兼职平台的设计与实现
文章目录 项目介绍主要功能截图:部分代码展示设计总结项目获取方式🍅 作者主页:超级无敌暴龙战士塔塔开 🍅 简介:Java领域优质创作者🏆、 简历模板、学习资料、面试题库【关注我,都给你】 🍅文末获取源码联系🍅 项目介绍 基于SSM的大学生兼职平台的设计与实现,j…...

Ignite内存配置
配置内存 #1.内存架构 #1.1.概述 Ignite内存架构通过可以同时在内存和磁盘上存储和处理数据及索引,得到了支持磁盘持久化的内存级性能。 多层存储的运行方式类似于操作系统(例如Linux)的虚拟内存。但是这两种类型架构之间的主要区别是&…...

前端基础vue路由懒加载
为什么用路由懒加载 首屏组件加载速度更快一些,解决白屏问题,常言道需要就加载,不需要就先放一边 懒加载定义 懒加载简单来说就是延迟加载或按需加载,即在需要的时候的时候进行加载。 使用 常用的懒加载方式有两种:即…...

C++系列第九篇 数据类型下篇 - 复合类型(指针高级应用)
系列文章 C 系列 前篇 为什么学习C 及学习计划-CSDN博客 C 系列 第一篇 开发环境搭建(WSL 方向)-CSDN博客 C 系列 第二篇 你真的了解C吗?本篇带你走进C的世界-CSDN博客 C 系列 第三篇 C程序的基本结构-CSDN博客 C 系列 第四篇 C 数据类型…...

python三大开发框架django、 flask 和 fastapi 对比
本文讲述了什么启发了 FastAPI 的诞生,它与其他替代框架的对比,以及从中汲取的经验。 如果不是基于前人的成果,FastAPI 将不会存在。在 FastAPI 之前,前人已经创建了许多工具 。 几年来,我一直在避免创建新框架。首先&…...

html基础2
视频video <video src"视频的路径"controls"控制播放、暂停、音量等"autoplay"自动播放"loop"循环播放"width"视频播放器的宽度"height"视频播放器的高度"> </video>还有做浏览器兼容的方式…...

基于博弈树的开源五子棋AI教程[5 启发式搜索]
文章目录 1 最大化攻击者/最小化防守者排序2 置换表启发3 杀手表启发4 历史表启发历史表以及杀手表的维护初始化追加杀手表项清空杀手表 启发式搜索的姿势千奇百怪,本文只讨论一下几种 //搜索空间 #define Search_Space_MVA 0 //最优价值攻击者[分数最大] #d…...

JavaScript原型,原型链 ? 有什么特点?
一、原型 JavaScript 常被描述为一种基于原型的语言——每个对象拥有一个原型对象 当试图访问一个对象的属性时,它不仅仅在该对象上搜寻,还会搜寻该对象的原型,以及该对象的原型的原型,依次层层向上搜索,直到找到一个…...

Unity 问题 之 ScrollView ,LayoutGroup,ContentSizeFitter 一起使用时,动态变化时无法及时刷新更新适配界面的问题
Unity 问题 之 ScrollView ,LayoutGroup,ContentSizeFitter 一起使用时,动态变化时无法及时刷新更新适配界面的问题 目录 Unity 问题 之 ScrollView ,LayoutGroup,ContentSizeFitter 一起使用时,动态变化时无法及时刷新更新适配界面的问题 一、简单介绍…...

linux 中 C++的环境搭建以及测试工具的简单介绍
文章目录 makefleCMakegdb调试 与 coredumpValgrind 内存检测gtest 单元测试 makefile 介绍 安装 : sudo apt install make makefile 的规则: 举例说明 包括:目标文件 、 依赖文件 、 生成规则 使用 : make make clean CMake : CMake是一个…...

448. 找到所有数组中消失的数字
找到所有数组中消失的数字 描述 : 给你一个含 n 个整数的数组 nums ,其中 nums[i] 在区间 [1, n] 内。请你找出所有在 [1, n] 范围内但没有出现在 nums 中的数字,并以数组的形式返回结果。 题目 : LeetCode 448. 找到所有数组中消失的数字: 448. 找…...

为何在下雪天它“失宠”了,传统雪地靴居然不适合下雪穿
随着冬至的到来,一年之中最寒冷的“三九天”正式拉开序幕。近期各地纷纷下起了大雪,在这场大雪中雪地靴似乎“失宠”了。在社交媒体上,有网友吐槽“雪地靴根本不能下雪穿”,后面有不少网友纷纷分享了自己在雪地靴上尴尬的经历&…...

第34节: Vue3 调用内联处理程序中的方法
在UniApp中使用Vue3框架时,你可以在模板中直接调用组件内联处理程序中的方法。以下是一个示例: <template> <view> <button click"handleClick">Click me</button> <p>{{ message }}</p> </view&…...

JavaScript--明明白白Promise (Park One)
明明白白Promise (Park One) Promise是一种用于处理异步操作的特殊对象。它代表了一个尚未完成但最终会完成的操作,并可以在操作完成后返回结果或错误。 Promise有三种状态:pending(进行中)、fulfilled(已完成&#…...