深度学习应用与框架.pdf

第1章

深度学习与应用框架

深度学习（DeepLearning，DL）是机器学习（MachineLearning，ML）领域中的一个研

究方向，作用是帮助机器学习项目更接近于人工智能（ArtificialIntelligence）。

深度学习主要是学习样本数据的内在规律和表示层次，学习过程中获得的信息对诸如文

字、图像和声音等数据的解释很有帮助。深度学习的最终目标是让机器能够像人一样具备分

析能力，可以自动识别文字、图像和声音等数据。

深度学习是一个复杂的机器学习算法，目前在有哪些信誉好的足球投注网站技术、数据挖掘、机器学习、机器翻

译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了令

人瞩目的成果。深度学习解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很

大进步。

1.1何为深度学习

深度学习是机器学习的一种，而机器学习是实现人工智能的必经之路。

深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知机就是一种深度学

习结构。深度学习通过组合低层特征形成更加抽象的高层来表示属性类别或特征，以发现数

据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它

模仿人脑的机制来解释数据，例如图像、声音和文本等。

1.1.1何为深度学习

深度学习从字面理解包含两个意思，分别是“深度”和“学习”。

2|Keras实战：基于TensorFlow2.2的深度学习实践

1．学习

抽象地说，学习就是一个认知的过程，从学习未知开始，到对已知的总结、归纳、思考

与探索。例如，伸出一根手指就是1，伸出两根手指就是1+1=2。这是非常简单的一个探索

和归纳过程，也是人类学习的最初形态。

总结来说，这种从已经有的信息通过计算、判定和推理而后得到一个认知结果的过程就

是“学习”。这个所谓的“学习”和“深度学习”有什么关系呢？这里不妨更进一步地提出

一个问题：对于同样的学习内容，为什么有的学生学得好，而有的学生学得差？这涉及“学习

策略”和“学习方法”的问题。同样的题目，不同的学生具有不同的认知和思考过程，不同

的认知得到的答案往往千差万别，归根结底也就是不同的学生具有不同的“学习策略”和

“学习方法”。

用计算机去模拟人脑中的“学习策略”和“学习方法”，学术界探索出一套方法，被称

为“神经网络”。这个词从字面上看和人脑有一些关系。在人脑中负责活动的基本单元是

“神经元”，它以细胞体为主体，是由许多向周围延伸的不规则树枝状纤维构成的神经细

胞。人脑中含有上百亿个神经元，这些神经元互相连接成一个庞大的结构，就称为“神经网

络”，如图1.1所示。

图1.1神经网络

到目前为止，科学界还没有弄清楚人脑工作的具体过程和思考传递的方式，所以这个

“神经网络”也只是模拟而已。

2．深度

这里再介绍两个概念：“输入”和“输出”。输入是已知的信息，输出是最终获得的认

知结果。例如，在计算1+1=2的过程中，其中的“1”和“+”就是输入，得到的计算结果

“2”就是输出。

随着输入的复杂性增强，当我们伸出3根手指时，正常的计算过程就是先计算1+1=

2，之后在得到2这个值的基础上再计算2+1=3，这才是一个正常的计算过程。

笔者举这个例子是想向读者说明，数据的输入和计算随着输入数据的复杂性增加，需要

一个层次化的计算过程，也就是将整体的计算过程分布到不同的“层次”上去计算。

第1章深度学习与应用框架|3

图1.2展示了一个具有“层次”的深度学习模型，hiddenlayer1到hiddenlayern是隐藏

层，左边的inputlayer是输入层，右边的outputlayer则是输出层。如果这是一个计算题，那

么在每个隐藏层中，都是对解题过程的一个步骤和细节进行处理。可以设想，随着隐藏层的

增加以及隐藏层内部处理单元的增多，在一个步骤中处理的内容就会更多，应付的数据会更