生成型人工智能初学者指南第3部分深度进修根本

为了便于理解，我将全体系列划分为几个小部分。
每篇博客的学习韶光最多为15-20分钟。
完成这个系列后，你将对天生型人工智能的基本观点及其各个方面有清晰的认识。

第1部分 —— 人工智能简介

第2部分 —— 理解机器学习

第3部分 —— 深度学习：天生型人工智能进步的基本支柱【当前博客】

第4部分 —— 天生型人工智能简介

第5部分 —— 什么是大型措辞模型（LLM）？

第6部分 —— 提示工程：与AI沟通的艺术

第7部分 —— 天生型人工智能的伦理考虑

第8部分 —— 天生型人工智能的寻衅、局限性和未来趋势【即将发布】

这是该系列的第三篇博客，我们将在这里探索深度学习。

旁注：你可以订阅我的博客，当我发布系列中的下一篇博客时，你将收到邮件关照。

机器能像人类（人脑）那样学习吗？——这是深度学习创新背后的想法。

深度学习是机器学习（机器学习又是人工智能的子集）的子集。
它的核心是基于人工神经网络（ANN），这是一种受人类大脑构造和功能启示的打算模型。

听起来有点繁芜？让我们用普通的话来简化它！

首先，让我们理解一些主要观点。

神经元是人脑中最基本的细胞。
人脑有数十亿个神经元，它们相互交互和通信，形成了神经网络。

这些神经元吸收许多输入，从我们看到的和听到的，到我们的感想熏染，以及之间的统统，然后向其他神经元发送信息，反过来，这些神经元也会做出反应。
事情中的神经网络使人类能够思考，更主要的是，能够学习。

人工神经网络是基于人类大脑中的生物神经网络设计的打算网络。

人类大脑中有相互连接的神经元。
类似地，人工神经网络也有相互连接的神经元，这些神经元被称为节点。

让我们考试测验简化ANN的观点！

想象制作一个由不同形状和大小的管道组成的大型3D构造。
每个管道都可以连接到许多其他管道，并且有一个可以开启或关闭的开关。
这就为你供应了许多连接管道的办法，听起来有点繁芜，对吗？

现在，让我们将这种管道构造连接到一个水龙头上。
不同大小的管道让水以不同的速率流动。
如果我们关闭开关，水就不会流动。

水代表穿过大脑的数据，管道代表大脑的部分，即神经元。

人工神经网络的架构

人工神经网络紧张由三层构成 —— 输入层、输出层和隐蔽层。

想象一个人工神经网络就像一个有三层的三明治。

第一层，称为输入层，代表下面的面包片。
它吸收信息。

第二层，称为隐蔽层，代表中间美味的夹层。
它进行思考和解决问题。

第三层，称为输出层，代表上面的面包片。
它给出终极结果。

简而言之：

输入层

• 这是信息进入人工神经网络的地方。

• 这是出发点，网络吸收它须要处理的数据。

输出层

• 这是网络给出终极结果或答案的地方。

• 这是终点，网络见告我们它学到了什么或做出了什么决定。

隐蔽层

• 这些层位于输入层和输出层之间。

• 这些层中的神经元处理信息，帮助网络学习模式并做出决策。

人工神经网络如何事情？

想象一群孩子试图通过分享他们的不雅观察来识别熊猫。

• 每个孩子专注于特定特色，如黑白皮毛、圆脸和独特的眼睛。

• 单独来说，他们可能不完备理解熊猫长什么样，

• 但通过结合他们的见地，他们创造了对熊猫的集体理解。

在人工神经网络的天下里，这些孩子代表神经元。

• 在人工神经网络中，个别的“

神经元”（类似于我们例子中的孩子）专门识别特定方面。

• 综合起来，它们有助于识别整体观点（熊猫）。

• 网络通过重复暴露来完善它的理解，类似于孩子们随韶光提升他们对熊猫识别技能。

输入层（不雅观察）：

每个孩子不雅观察一个方面，比如毛色或脸型，形成我们网络的输入层。

隐蔽层（处理）：

孩子们将他们的不雅观察结果相互通报，模拟神经网络的隐蔽层。
当他们分享信息时，他们共同建立了对熊猫特色的更全面理解。

输出层（识别）：

末了，他们通过结合所有细节得出结论。
如果大多数人赞许不雅观察到的特色与熊猫的特色匹配，他们就输出“熊猫”。
这个输出层对应于网络的终极决策。

评分方法：

为了完善他们的识别技能，孩子们会跟踪他们的准确性。

• 如果他们精确识别出熊猫，他们会得到积分；

• 否则，他们会从缺点中学习。

• 类似地，在神经网络中，评分方法有助于调度网络的参数，随着韶光提高准确性。

这种团队互助展示了人工神经网络如何逐层处理信息，从各种特色中学习，并通过评分机制完善它们的理解。

深度神经网络（DNN）是一种人工神经网络（ANN），在输入层和输出层之间有多个层。

这里的“深度”意味着它在输入和输出之间有多个层，使其能够学习繁芜的模式。

深度学习的主要点

现在，让我们总结一些关于深度学习的主要点！

机器学习的子集

深度学习是机器学习的子集，而机器学习又是人工智能的子集。

受大脑启示

深度学习基于人工神经网络，这是受我们大脑事情办法启示的。

人工神经网络（ANN）

ANN是一种打算网络，模拟人类大脑中的生物神经网络。

深度神经网络

形容词“深度”指的是网络中利用了多层。
它利用了多个隐蔽层的深度神经网络。

这些层处理信息，使系统能够学习繁芜的模式。

从数据中学习

系统通过展示大量示例并根据预测与精确答案之间的差异调度神经元之间的连接来学习。

处理繁芜问题

深度学习特殊适用于办理传统方法可能难以应对的繁芜问题。

机器学习与深度学习的差异

让我们分解机器学习和深度学习之间的紧张差异：

总结

在这篇博客中，我们理解了深度学习是什么以及它是如何事情的。
深度学习，正如其名，因其多层神经网络而得名，类似于具有多层思考的人类大脑神经网络，每个层次都有助于更深入地理解它处理的信息。

从识别图像和理解语音，到驱动语音助手和自动驾驶车辆，深度学习已被证明对办理许多繁芜任务大有裨益。