1.2 深度学习的定义

深度学习，也称为深度神经学习或深度神经网络，是一种人工智能（AI）功能。它模仿人脑的工作方式来处理数据，并创建有助于决策制定的模式。作为人工智能中机器学习的一个子集，深度学习网络能够从非结构化或未标记的数据中无监督地学习。

简而言之，深度学习可以被视为自动化预测分析的一种方式。传统的机器学习算法是线性的，而深度学习算法则以复杂性和抽象性不断增加的层次结构堆叠。层次结构中的每个算法都对其输入应用非线性变换，并使用它学到的知识来创建统计模型作为输出。迭代继续，直到输出达到可接受的准确度水平。包含许多层的人工神经网络驱动深度学习。深度神经网络（DNN）是此类网络，其中每一层都可以执行复杂的操作，例如对图像、声音和文本有意义的表示和抽象。深度学习被认为是机器学习中发展最快的领域，它代表了一种真正具有颠覆性的数字技术，越来越多的公司正在使用它来创建新的商业模式。

神经网络是节点层，就像人脑由神经元组成一样。各个层内的节点连接到相邻层。据说该网络根据其拥有的层数而变得更深。人脑中的单个神经元接收来自其他神经元的数千个信号。在人工神经网络中，信号在节点之间传播并分配相应的权重。权重较重的节点会对下一层节点产生更大的影响。最后一层编译加权输入以产生输出。深度学习系统需要强大的硬件，因为它们需要处理大量数据并涉及多项复杂的数学计算。然而，即使使用如此先进的硬件，深度学习训练计算也可能需要数周时间。

深度学习系统需要大量数据才能返回准确结果。因此，信息以庞大的数据集形式提供。在处理数据时，人工神经网络能够使用从一系列涉及高度复杂数学计算的二元真假问题中收到的答案对数据进行分类。例如，面部识别程序的工作原理是学习检测和识别面部的边缘和线条，然后是面部更重要的部分，最后是面部的整体表示。随着时间的推移，程序会自我训练，正确答案的概率会增加。在这种情况下，面部识别程序将随着时间的推移更准确识别面部。