深度学习入门

深度学习（Deep Learning）是机器学习的子集，使用多层神经网络自动提取数据的深层特征。

神经网络基础

神经网络由神经元（节点）和连接（权重）组成，模拟大脑的信息处理方式：

• 输入层：接收原始数据
• 隐藏层：逐层提取特征（"深度"指隐藏层数多）
• 输出层：产生最终结果

每个神经元执行：输出 = 激活函数(权重 × 输入 + 偏置)

主要网络架构

卷积神经网络（CNN）

擅长处理图像数据。通过卷积操作提取局部特征，逐层组合成全局理解。

应用：图像分类、目标检测、人脸识别

循环神经网络（RNN）

擅长处理序列数据。具有"记忆"功能，能理解前后文关联。

应用：语音识别、文本生成、时间序列预测

Transformer

当前最重要的架构。通过"注意力机制"并行处理序列数据，效率远超RNN。

应用：大语言模型、机器翻译、文本摘要

为什么深度学习能成功

• GPU并行计算让大规模训练可行
• 海量互联网数据提供充足学习素材
• 算法创新（Dropout、BatchNorm等）让深层网络可训练
• 开源框架（PyTorch、TensorFlow）降低了开发门槛