深度学习

深度学习范畴

在机器学习的范畴内，有一部分分支是要学习出一个最好的代表（representation learning），在这类分支中，又有一个分支是以神经网络为起源，经过网络存储加工的一系列算法进行学习，重点是可以学习出比较好的代表（representation）

深度学习的基本模型

深度学习有很多神经层，神经网络的第一层就是像素点，每个箭头就是一个转化的方程。在转化的过程中，几个神经元经过转化达到下一层的神经元，比如到第二层，就可以学习出一些边的特征，再到第三层，可以继续学习出一些其他特征，最终到最上层可以输出分类的物体，比如人、车、动物。（传统神经网络只有3层，随算力提高，标签数据量增大，现在可以达到更高的层数）

深度学习与传统机器学习

• 最基础的是，给一些输入，然后手动设计算法进行分类，比如有一些图片，手动分出哪些是人和动物作为输出。

• 之后是传统的机器学习，给出一些输入，由人对每个输入给出一个标记（分类），然后按照一定的算法（比如决策树、聚类等）进行特征的映射，最后学习出一种模型。

• 在之后是代表性学习，首先给出一些输入，之后取出每个输入中的显著不同的特征（比如脸型、身高），根据这些特征进行特征的映射，分出不同的种类，学习出一种模型。

• 最后是深度学习，对于二维输入来说，它的最基本的特征就是像素点，因此利用这些最基本的特征进行不断的组合和迭代，学习出更复杂的特征，最终以这些更复杂的特性实现特征的映射，最终学习出一种模型。