是機器學習的一個分支,通過多層神經網絡來模擬和學習複雜的資料
深度學習的核心是神經網絡,這是由多個神經元(或稱為節點)組成的數學模型
神經網絡的基本構建塊是神經元,也被稱為節點。每個神經元接收一個或多個輸入,對這些輸入進行加權總和,然後通過激活函數進行非線性轉換,生成輸出,每個神經元具有一個權重(weight),這是一個數值,用來控制對輸入的加權重要性
深度
深度學習的"深度"
表示它通常包含多個隱藏層
而每個隱藏層都包含多個神經元
神經網絡通常由多層組成,包括輸入層、隱藏層(可能有多層)、和輸出層。這些層次結構形成了一種前向傳播( Feedforward )結構
前向傳播是神經網絡中的信息傳遞過程,從輸入層開始,將資料進行加權總和和激活函數的運算,然後將結果傳遞到下一層,一直傳遞到輸出層,產生最終的預測結果
神經元使用激勵函數來將輸入轉換成輸出,引入非線性性質,使神經網絡能夠學習非線性關係,常見函數有:
將輸入映射到 0 到 1 之間。
正數輸入保持不變,負數輸入為 0
將輸入映射到 -1 到 1 之間。
使用梯度下降法( Gradient Descent )來調整神經網絡中的權重,以最小化預測誤差,反向傳播計算預測誤差的梯度,然後反向傳播這些梯度到網絡中的每個神經元,來調整它們的權重,以最小化模型的預測誤差