【tensorflow:Google】一、深度学习简介 – yesuuu

参考资料：《：实用深度学习框架》

[1] 深度学习简介

1.1 深度学习定义

是机器学习的定义：在任务T上，随着经验E的增加，效果P也会增加，那么程序就可以从经验中学习了。

传统机器学习算法的问题：无法从数据中学习到更好的特征表达，以至于越来越多的数据无法得到有效利用

难点：如何数字化表达真实世界的实体；结构化非结构化内容；从实体中提取特征。

传统机器学习与深度学习的比较

1.2 深度学习的历史

深度学习的三个阶段：

一、仿生机器学习：

1943 年的神经网络，

1958 年的感知器模型：第一个基于数据的模型 用于学习特征权重的模型

1969：感知器只能解决线性可分问题，不能解决 XOR 问题。 ——导致了神经网络的第一次低潮

二、分布式知识表示（ ）和反向传播算法。

1990：分布式知识表示：现实世界中的概念应该由多个神经元表示，模型中的每个神经元应该表示不同的概念。

知识从广度发展到深度，并且可以获得额外的综合知识。 n*m 缩减为 n+m。

1990： 反向传播算法，大大提高了计算能力。

卷积神经网络和循环神经网络正在开发中

1990：LSTM 算法

三、数据量提升计算能力提升

p>

, , 介绍深度学习。

1.3 个深度学习应用程序

主要应用范围：

1、计算机视觉：图像分类（）、物体识别（人脸识别：传统机器学习难以提取特征）、图像搜索、字符识别

2、语音识别：机器翻译、语音合成

3、 自然语言处理：

4、人机游戏：

三部分：蒙特卡洛树搜索、评估网络、棋步网络。

蒙特卡洛树搜索：搜索不同的移动点

运动网络：给定一个棋盘，确定下一个运动点

评估网络：给定一个棋盘，确定胜率