.. _intro_dl:

=================
介绍深度学习
=================

- 有很多领域是难以用编程(固定逻辑)来让机器完成任务解决问题，例如计算机视觉、自然语言处理、数据挖掘、基因测序...，所以我们需要 "机器学习" : 让机器自己学习怎么解决问题
- 深度学习是 :ref:`machine_learning` 的重要分支，也是目前最为实用和有效的机器学习实现

.. note::

   术语:

   - 卷积神经网络(CNN(s)): 通常用于图像领域
   - 序列模型: 用于自然语言处理(NLP)

     - 有循环神经网络(RNN) 长短期记忆网络(LSTM)

神经网络(Neural Network)
===========================

``输入`` -> ``神经元`` -> ``输出``

神经元将输入的数据处理后输出为结果

- 多个神经元组合(堆叠)成神经网络(也就是层层逻辑交织)，可以处理复杂的推理

  - 神经网络擅长计算从x(输入)到y(输出)的 **精准映射函数**
  - 神经网络需要大量的x和y(训练样本)才能实现 **精准映射函数**

神经网络的监督学习(Supervised Learning with Neural Networks)
--------------------------------------------------------------

目前几乎所有的神经网络显示出的经济价值，本质上都是一种称为 **监督学习** 的机器学习类别:

- 目前非常"成功"的神经网络应用领域是在线广告: 神经网络能够预测你是否点开广告，展示最有可能点开的广告来获取难以置信的利润
- 深度学习促进了:

  - 计算机视觉: 卷积神经网络CNN 是图像领域最常用的
  - 语音识别: 语音片段输入神经网络可以获得文本记录，音频处理被视为序列数据处理，通常使用RNN，也就是递归神经网络, Recurrent Neural Network
  - 机器翻译: 语言也是顺序数据，会使用更为复杂的RNN来处理
  - 自动驾驶: 卷积神经网络CNN用于处理图像，而雷达数据则需要使用混和的神经网络结构来处理

常见神经网络:

- 标准神经网络:

.. figure:: ../../_static/machine_learning/deep_learning/standard_neural_network.png

- 卷积神经网络:

.. figure:: ../../_static/machine_learning/deep_learning/convolutional_neural_network.png

- 递归神经网络:

.. figure:: ../../_static/machine_learning/deep_learning/recurrent_neural_network.png

通过深度学习和神经网络，现在计算机能够更好解释非结构化数据。所以大量的新的令人兴奋的应用出现: 语音识别，图像识别，自然语言处理...

.. note::

   `OpenAI首席科学家：通向无监督学习之路 <https://zhuanlan.zhihu.com/p/653449452>`_