前言：前面分享了机器学习，接下来进行深度学习分享。
一、什么是深度学习
深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行特征学习的算法。深度学习中的形容词“深度”是指在网络中使用多层。
传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法自动提取特征。
深度学习模仿人类大脑的运行方式，从经验中学习获取知识。这也是深度学习被看做黑盒子，可解释性差的原因。
深度学习尤其擅长处理高维数据，如图像和文本。
二、深度学习特点
多层非线性变换：深度学习模型由多个层次组成，每一层都应用非线性激活函数对输入数据进行变换。较低的层级通常捕捉到简单的特征（如边缘、颜色等），而更高的层级则可以识别更复杂的模式（如物体或面部识别）。
自动特征提取：与传统机器学习算法不同，深度学习能够自动从原始数据中学习到有用的特征，而不需要人工特征工程。这使得深度学习在许多领域中表现出色。
大数据和计算能力：深度学习模型通常需要大量的标注数据和强大的计算资源（如GPU）来进行训练。大数据和高性能计算使得深度学习在图像识别、自然语言处理等领域取得了显著突破。
可解释性差：深度学习模型内部的运作机制相对不透明，被称为“黑箱”，这意味着理解模型为什么做出特定决策可能会比较困难。这对某些应用场景来说是一个挑战。
三、深度学习核心概念
四、常见的深度学习模型
- 卷积神经网络 (Convolutional Neural Networks, CNN)：
- 主要用于图像处理任务，如图像分类、目标检测、图像分割等。
- 特点是使用卷积层来自动提取图像中的局部特征，并通过池化层减少参数数量，提高计算效率。
- 循环神经网络 (Recurrent Neural Networks, RNN)：
- 适用于处理序列数据，例如自然语言处理（NLP）、语音识别等。
- RNN具有记忆功能，可以处理输入数据的时间依赖性，但标准RNN难以捕捉长期依赖关系。
- 自编码器 (Autoencoders)：
- 一种无监督学习模型，通常用于降维、特征学习或者异常检测。
- 自编码器由编码器和解码器两部分组成，前者将输入压缩成一个较低维度的表示，后者尝试从这个低维表示重建原始输入。
- 生成对抗网络 (Generative Adversarial Networks, GAN)：
- 包含两个子网络：生成器和判别器。生成器负责创建看起来真实的假样本，而判别器则试图区分真假样本。
- GAN广泛应用于图像生成、视频合成等领域。
- Transformer：
- 主要用于自然语言处理（NLP）任务，尤其是机器翻译、文本生成等。
- Transformer摒弃了传统的递归结构，采用自注意力机制（self-attention），使得它能够并行处理整个句子的信息，在机器翻译、文本摘要等任务中表现出色。
五、深度学习应用场景
六、深度学习发展历史
最后，深度学习当前挑战：
今天关于深度学习的分享到此结束。