目录

深度学习概述

深度学习的历史：

人脸识别

图像识别：

场景检测：

车型识别：

文字研究

神经网络的关系图

---

我的主页：晴天qt01的博客_CSDN博客-数据分析师领域博主

目前进度：第四部分【机器学习算法】

深度学习概述

是一个强大的多层的神经网络的架构

用于模式识别（图像识别，人脸识别）、信号检测（语音信号处理），以及语言处理等多个领域。

过去几年获得了极大的关注

这部分归功于计算机计算能力的不断提升。（可以大量节省时间。）

不断涌现出更有效的训练模型的方法

也源于可使用的数据量不断的增加。（收集信息的方法比以前更加简单，使深度学习的架构更容易产生。如果是以前数据量比较少的情况下，非常容易出现过拟合的情况。）

这是深度学习为什么会成功的基础建设。

深度学习的历史：

 

刚开始的神经元其实就是感知机。然后加入单层神经网络。有输入层和输出层，两层神经网络的诞生，开始可以解决非线性的问题

提出了支持向量机SVM，盖过了神经网络的锋芒。第三次兴起就是多层的神经网络。2020之后又有更复杂的神经网络的提出。它可以解决原先没有办法解决的问题。

 

刚开始神经网络只能用来解决线性可分（解决的问题太少），两层神经网络，就可以有效解决非线性问题（会出现梯度爆炸，梯度消失问题），多层神经网络，使用ReLU的非线性函数，它能很精确的描述切分0与1.多层神经网络可以将问题区分的更细致。

 

这里是对比3者的计算能力，数据量，算法。

深度学习就可以处理1M-100M，其实已经可以处理更大的数据量了。加进算法pre-Training和Dropout能训练的更快。

案例：

人脸识别，图像识别，智能监控，图像识别等等

这些深度学习做的还不错的问题。

人脸识别

还有人脸身份认证。人脸的属性，识别是男是女，亚洲人欧洲人。表情识别，是否高兴，年龄段，是否佩戴饰品。

人脸聚类：

 

同一个人，能否聚类到同一群。

真人检测

 

对人脸进行化妆，美容

 

图像识别：

服装属性，颜色，那种类型衣服

 

物体检测：

检测它是笔记本，杯子，笔，硬盘

 

场景检测：

检测它是山，还是海，还是室内。浴室种类

 

车型识别：

哪家公司出的那款车辆

 

智能监控：

行人和车辆的检测

 

行人检测是在跑步还是在做什么，颜色的衣服

 

人群流量识别，查看

 

文字研究

票据类的支票研究。先扫描，备份一份然后把金额p进去写在表表面，但是人工容易出错，所以银行会希望我们把它用深度学习的方法识别出来，然后放在图片上。银行只要检查是否错误。

 

身份证卡证识别数值

动态车牌识别。

 

 

上面说的都是神经网络做的比较好的方面

神经网络的关系图

人工神经网络其实是生物神经网络建立出来的数学模型。

人工神经网络有分为前馈神经网络，和反馈神经网络（会反馈回来，比如RNN）

前馈神经网络有可以分成单层神经网络和两层神经网络（BP或者MLP）还有多层神经网络DL。

多层神经网络有可以分为普通深度网络DNN和深度信念网络DBN（会在自动特征学习中说其中的一种，它的变型太多了）和卷积神经网络CNN

绿色代表我们已经讲过的内容，下次会讲一下，前馈神经网络的多层神经网络的几个部分

反馈神经网络的内容会说明一下。