深度学习包含 CNN 与 Transformer 等模块 大模型成前沿
深度学习（Deep Learning，DL）是机器学习的一个分支，用多层神经网络学习深层特征，核心模块包括卷积神经网络、Transformer与预训练大模型，2012年AlexNet夺冠推动复兴，解决的是图像与语音识别精度与端到端学习问题，…
标签：深度学习
深度学习是 ChatGPT 与豆包等产品背后的基础技术
深度学习（Deep Learning）是以多层神经网络（Neural Network）为底座的AI技术，模型由输入层、隐藏层与输出层构成，ChatGPT、豆包等通用助手均基于它构建。深度学习解决的是复杂感知与生成任务难以用规则描述的问题，并…
深度学习的挑战与局限有哪些？
深度学习（Deep Learning）的挑战与局限有四项：训练需海量数据与算力（GPT-3耗资上千万美元）、决策过程难以解释、训练数据有偏会削弱泛化（2018年亚马逊招聘AI）、易被对抗样本欺骗，解决让使用者看清适用条件与风险的问题，并不解…
深度学习的应用有哪些？
深度学习（Deep Learning）的应用有人脸识别与医疗影像、语音助手与翻译、自动驾驶感知与围棋对弈（2016年AlphaGo胜李世乭），核心依托卷积网络或Transformer提取图像与文本特征，解决这些任务靠人工规则难规模化完成的问…
深度学习是怎么工作的？
深度学习（Deep Learning）的工作流程是数据自底向上逐层变换：输入层把28×28像素图片转成784个数值，浅层检测边缘与颜色，中层组合形状，深层形成完整概念，再由反向传播与梯度下降调整权重，解决人工规则难以直接编码复杂模式的问题，…
深度学习是怎么诞生的？
深度学习（Deep Learning）的诞生历经突破：1986年反向传播算法解决多层训练难题、2006年预训练结合GPU算力铺路、2012年AlexNet以8层网络把ImageNet错误率从26%降到15%，解决多层网络训不出来、难以实用的…
深度学习是什么？
深度学习（Deep Learning）是依靠多层神经网络逐层自动学习抽象特征的方法，构成包括输入层、隐藏层与输出层的多层堆叠（隐藏层可达几十至上百层），以及权重在反向传播中的持续调整，解决简单模型难以从原始数据提炼复杂模式的问题，并不解决训…
深度学习是机器学习子集 用多层人工神经网络学习特征
深度学习（Deep Learning）是机器学习的子集，由人工神经网络组成，核心构成包括多层隐藏层、可学习权重与逐层抽象的特征学习机制，深度通常指隐藏层数量，大约在2012年后进入爆发式增长，解决的是复杂特征无须人工设计即可自动提取的问题，…