人工智能基础与应用 课件 4.1 深度学习概述.pptx

深度学习深度学习概述主讲人：董张慧雅人工智能课程团队

目录|CONTENTS深度学习与机器学习的关系01深度学习的兴起02神经元、感知器、人工神经网络03

01深度学习与机器学习的关系

深度学习与机器学习的关系使用多层神经网络实现自动特征提取和模式识别。深度学习实现机器学习自动从大量数据中提取特征，用于解决各种机器学习问题。深度学习的优势建立多层神经网络学习输入和输出之间的映射关系。深度学习的目标通过算法发现数据的模式和结构，进行预测和决策。机器学习的任02深度学习的兴起

深度学习的兴起计算机性能提升，硬件完善，大规模矩阵运算得以实现，深度学习得到快速发展。深度学习发展计算机运算能力弱、运算速度慢等限制，无法完成大规模运算。深度学习瓶颈具有多层次特征描述的特征学习，通过简单但非线性的模块将每一层特征描述转为更高一层的、更为抽象一些的特征描述。深度学习定义1943年，MP神经元数学模型；1958年，单层感知器；1969年，明斯基的感知机专著；1986年，第二代神经网络；1989年，万能逼近定理；1997年，长短期记忆网络LSTM；1998年，LeNet卷积神经网络；2006年，提出深度神经网络。深度学习发展历程

深度学习的兴起深度学习发展历程

03神经元、感知器、人工神经网络

神经元、感知器、人工神经网络人脑神经网络单元动物复杂的神经系统是由简单的生物神经元相连组成的，神经元负责接收、处理和传递信息。人脑中包含860亿个神经元，它们通过复杂的网络相互连接，实现信息处理（如听觉、视觉、嗅觉）、学习、记忆和决策等功能。神经元结构包括细胞体、树突、轴突和突触等。细胞体：细胞体是神经元的主要部分，包含细胞核、细胞质和细胞膜。它是神经元的代谢中心，维持细胞的生命活动。树突：树突是从细胞体向外延伸的分支纤维，主要作用是接收来自其他神经元的信号。一个神经元可以有多个树突，这使得神经元能从多个源头接收信号。轴突：轴突是一条长的纤维，从细胞体延伸出来，负责将信号从细胞体传递到其他神经元或组织。一个神经元只有一个轴突，其长度可从几微米到一米不等。突触：突触是神经元之间传递信息的连接点，通常是轴突末端与其他神经元的树突或细胞体相接触的部分。在这里，神经递质被释放，从而将信号从一个神经元传递到另一个神经元。

神经元、感知器、人工神经网络人工神经元模型神经元有大量的数学模型，现在神经元标准的数学模型由两部分组成：线性变换和非线性变换。非线性变换又叫激活处理（非线性变换函数叫激活函数）。人工神经元也接收来自其他神经元的输入信号，并通过激活函数产生输出信号。人工神经元模型的图形如图所示。。

神经元、感知器、人工神经网络。1943年，罗森布拉特提出由两层神经元（输入层和输出层）组成的人工神经网络模型——“感知器”，能够区分三角形、正方形等基本形状。但是单层感知器只有输出层有激活函数处理，即只有一层功能性神经元，所以只能解决线性可分的问题。单层感知器

神经元、感知器、人工神经网络。1986年，辛顿（Hinton）提出了第二代神经网络，将单一固定的特征层替换成多个隐藏层，并采用Sigmoid激活函数，同时利用误差的反向传播算法训练模型，有效地解决了非线性分类问题。多层感知器

感谢您的聆听深度学习大数据技术资源库