⚠️本文为稀土掘金技术社区首发签约文章,30天内禁止转载,30天后未获授权禁止转载,侵权必究!
✨专栏介绍: 经过几个月的精心筹备,本作者推出全新系列《深入浅出OCR》专栏,对标最全OCR教程,具体章节如导图所示,将分别从OCR技术发展、方向、概念、算法、论文、数据集等各种角度展开详细介绍。
👨💻面向对象: 本篇前言知识主要介绍深度学习基础,方便小白或AI爱好者学习基础知识。
💚友情提醒: 本文内容可能未能含概深度学习所有知识点,其他内容可以访问本人主页其他文章或个人博客,同时因本人水平有限,文中如有错误恳请指出,欢迎互相学习交流!
💙个人主页: GoAI |💚 公众号: GoAI的学习小屋 | 💛交流群: 704932595 |💜个人简介 : 掘金签约作者、百度飞桨PPDE、领航团团长、开源特训营导师、CSDN、阿里云社区人工智能领域博客专家、新星计划计算机视觉方向导师等,专注大数据与人工智能知识分享。
💻文章目录
《深入浅出OCR》前言知识(二):深度学习基础总结 (✨文末有深度学习总结导图福利!)
《深入浅出OCR》前言知识(一):机器学习基础总结 (✨文末有机器学习总结导图福利!)
《深入浅出OCR》前言知识:深度学习基础总结
一、深度学习介绍
在介绍深度学习概念前,我们需要弄清楚机器学习与深度学习的区别。这里作者参考一些其他资料进行整理给出如下回答:
机器学习与深度学习区别
在数据准备和预处理(清洗、归一化等操作)方面,机器学习与深度学习是很相似的,但最大的区别在于对特征提取的过程。
传统机器学习的特征提取主要依赖人工,针对特定简单任务的时候人工提取特征会简单有效,但是并不能通用。
深度学习的特征提取并不依靠人工,而是机器自动提取的。这也是为什么大家都说深度学习的可解释性很差,因为有时候深度学习虽然能有好的表现,但是我们并不知道他的原理是什么。
针对上述分析,我们给出对应深度学的总结概述:
机器学习:利用计算机、概率论、统计学等知识,输入数据,让计算机学会新知识。机器学习的过程,就是训练数据去优化目标函数。
深度学习:是一种特殊的机器学习,具有强大的能力和灵活性。它通过学习将世界表示为嵌套的层次结构,每个表示都与更简单的特征相关,而抽象的表示则用于计算更抽象的表示。
具体地,深度学习的概念源于人工神经网络的研究,由Hinton等人于2006年提出。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。含多隐层的多层感知器就是一种深度学习结构。
机器学习与深度学习、人工智能的关系:
深度学习的优缺点:
深度学习优点:
- 学习能力强,无需人工提特征
- 覆盖范围广,适应性好
- 数据驱动,上限高
- 可移植性好
深度学习缺点:
- 计算量大,便携性差
- 硬件需求高
- 模型设计复杂
二、 深度学习常见名词总结
当提到深度学习时,我们经常会提到很多专有名词,给初学者学习带来一定困扰。因此,在学习深度学习前,首先我们需要明确以下几个概念。
2.1 主要术语
损失(Loss)
一种衡量指标,用于衡量模型的预测偏离其标签程度。要确定此值,模型需要定义损失函数。例如:线性回归模型参与均方误差损失函数,分类模型采用交叉熵损失函数。
2.2 常见优化方法总结:
其他方法:
本文参考及优秀资料推荐: