人工智能基础及应用（工科通识版）课件 第4章 深度学习概论

深度学习概论第四章目录02人工智能、机器学习、深度学习的关系homosapiensTherelationshipbetweenartificialintelligence,machinelearning,anddeeplearning01深度学习简介IntroductiontoDeepLearning深度学习简介IntroductiontoDeepLearning3014.1深度学习简介401什么是深度学习深度学习是机器学习的一个分支，它试图模拟人类大脑处理数据的方式，通过多层次的神经网络结构来学习数据的抽象表示。这些神经网络被称为深度神经网络，因为它们通常由很多层次组成，每一层都会逐步将输入数据转换成更抽象的表示。在深度学习中，常用的神经网络结构包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。这些网络结构可以被用于不同类型的数据和任务，从而推动了深度学习在各个领域的广泛应用。深度学习已经在图像识别、语音识别、自然语言处理等领域取得了巨大成功。它的核心思想是通过大量的数据和计算资源来训练神经网络模型，使其能够自动发现数据中的模式和规律，从而实现各种复杂的任务。4.1深度学习简介502深度学习开发框架由Google开发的开源深度学习框架，提供了灵活的架构和丰富的工具，支持从研究到生产的整个深度学习工作流程。TensorFlow由Apache软件基金会支持的开源深度学习框架，拥有优秀的可扩展性和性能，并且支持多种编程语言。MXNet一个高级神经网络API，可以运行在TensorFlow、Theano和CNTK等后端上，使得快速搭建和测试深度学习模型变得更加容易。Keras由Facebook开发的开源深度学习框架，以动态计算图为特色，易于学习和使用，并且具有良好的Python集成性。PyTorch开发的轻量级深度学习框架，适用于快速实现卷积神经网络（CNN）。Caffe一个基于Lua编程语言的科学计算框架，提供了广泛的数值算法和机器学习算法，包括深度学习。Torch一个Python库，用于定义、优化和评估数学表达式，特别适用于深度学习模型的快速原型设计。Theano4.1深度学习简介603TensorFlow框架介绍TensorFlow是一款由Google开源的人工智能框架，是目前应用最广泛的深度学习框架之一。它可以在各种硬件平台上运行，包括单个CPU、CPU集群、GPU，甚至是分布式环境下的CPU和GPU组合。除了深度学习领域，TensorFlow还支持其他机器学习算法和模型，如决策树、SVM、k-means等。同时，TensorFlow还提供了各种高层次的API和工具库，如Keras、TensorBoard等，方便开发人员进行模型构建和可视化管理。4.1深度学习简介7TensorFlow通过张量、计算图、变量、损失函数和优化器等核心概念来表示、训练和部署各种类型的深度学习模型。其核心概念包括以下几个方面：TensorFlow的基本数据单元，可以看做是多维数组。在TensorFlow中，所有数据都是以张量的形式进行存储和传递。TensorFlow中的计算过程可以表示为一个计算图，每个节点表示一个操作，每个边表示数据的流动。TensorFlow通过构建这样的计算图来完成模型的训练和预测。。变量TensorFlow中的变量可以看做是一种特殊的张量，用于保存模型的参数。在训练模型过程中，变量的值会发生变化。在TensorFlow中，我们通常使用变量来存储模型中需要学习的参数。计算图张量4.1深度学习简介8TensorFlow中的会话用于执行图上的操作，通过对计算图进行计算，最终得到模型的输出结果。在TensorFlow中，我们需要先创建一个会话对象，然后利用会话对象来执行计算图上的操作。TensorFlow中的损失函数用于衡量模型的预测结果与真实结果的差距。在训练模型时，我们希望通过最小化损失函数来优化模型的参数。优化器TensorFlow中的优化器用于根据损失函数的结果来更新模型的参数。常见的优化算法有梯度下降、Adam等。

损失函数会话符号式计算图灵活性和可扩展性TensorFlow提供了一个灵活的体系结构，它支持多种编程语言，并可以在不同的硬件平台上运行（如CPU、GPU、TPU等），从而满足各种应用场景的需求。TensorFlow使用符号式计算图来描述模型,将计算过程表示为数据流图。这种方式使得TensorFlow能够对模型进行优化、并行化和分布式训练,提高了模型的性能和效率。TensorFlow其主要功能包括以下几个方面020194.1深度学习简介社区支持和生态系统自动微分TensorFlow提供了自动微分功能，可以自动计算模型的梯度，从而实现反向传播算法，用于训练神经网络模型。TensorFlow拥有庞大的开发者社区和丰富的生态系统，有大量的教程、文档和示例代码可供开发者学习和参考，同时也有许多第三方库和工具与TensorFlow兼容，提供了更多的功能和选项。TensorFlow其主要功能包括以下几个方面0503104.1深度学习简介04丰富的工具和库TensorFlow提供了丰富的工具和库，包括TensorFlowLite用于移动设备上的部署、TensorFlow.js用于在浏览器中运行模型、TensorFlowServing用于模型部署和服务化等，使得开发者能够轻松地将模型部署到不同的环境中。homosapiensTherelationshipbetweenartificialintelligence,machinelearning,anddeeplearning1102人工智能、机器学习、深度学习的关系4.2.1人工智能、机器学习、深度学习的关系1201人工智能

人工智能是研究、开发用于模拟、延伸和扩展人的智能的技术及应用系统的一门新的技术科学。机器学习是一种实现人工智能的方法。深度学习是一种实现机器学习的技术。人工智能，英文缩写为AI。是计算机科学的一个分支。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。02机器学习机器学习，是人工智能的核心，属于人工

智能的一个分支。机器学习理论主要是

设计和分析一些让计算机可以自动“学

习“的算法

。机器学习算法是一类

从数据中自动分析获得规律，并利

用规律对未知数据进行预测的

算法。03深度学习深度学习是机器学习的一部分，重点研究使用深层神经网络进行数据分析和模式识别。深度学习通过模拟人脑的结构和功能，使得计算机能够处理大量复杂的数据。4.2.1人工智能、机器学习、深度学习的关系13人工智能、机器学习和深度学习是三个密切相关但各自独立的概念，彼此之间有层次和包含关系。如下图所示。4.2.2深度学习的应用领域14在人工智能的广阔版图中，深度学习作为其核心驱动力之一，正引领着技术革新的浪潮。尤其是在计算机视觉（ComputerVision,CV）和自然语言处理（NaturalLanguageProcessing,NLP）两大领域，深度学习的应用不仅极大地拓展了技术的边界，还深刻地改变了人们的生活方式和工作模式。本小节将剖析深度学习在这两个领域中的具体应用，探讨其背后的技术原理、面临的挑战以及未来的发展趋势。4.2.3计算机视觉15计算机视觉，作为人工智能的一个重要分支，旨在使计算机能够像人类一样理解和解释视觉信息。随着深度学习技术的崛起，计算机视觉领域取得了前所未有的突破，计算机的能力正在逐步逼近甚至超越人类。图像识别与分类

图像识别与分类是计算机视觉中最基础也最广泛的应用之一。深度学习中的卷积神经网络（ConvolutionalNeuralNetworks,CNNs）凭借其强大的特征提取能力，在这一领域取得了显著成效。通过大规模标注数据集的训练，CNNs能够学习到图像中的层次化特征表示，从而实现对图像内容的精准识别与分类。从人脸识别、物体检测到场景识别，CNNs的应用覆盖了安防监控、医疗影像分析、智能交通等多个领域。010203目标检测与跟踪

目标检测与跟踪是计算机视觉中的高级任务，要求在图像或视频中同时识别出多个目标并跟踪其运动轨迹。基于深度学习的目标检测算法，如FasterR-CNN、YOLO等，通过结合区域建议网络（RegionProposalNetwork,RPN）或单次检测策略，实现了对图像中多个目标的快速准确检测。而目标跟踪算法则在此基础上，进一步利用目标的时空连续性，实现对目标在连续帧中的稳定跟踪。这些技术在自动驾驶、智能安防、运动分析等领域具有广泛的应用前景。图像分割与语义理解图像分割指将图像划为多个相似属性区域或对象。深度学习中的语义分割和实例分割技术，能精确分类图像像素点并区分不同实例。要求模型识别物体，理解空间关系和细节结构。在医学影像、自动驾驶、虚拟现实等领域，图像分割技术至关重要，为决策和处理提供可靠基础。4.2.4自然语言处理16自然语言处理是人工智能领域的另一个重要分支，它研究人与计算机之间使用自然语言进行有效通信的各种理论和方法。随着深度学习技术的兴起，自然语言处理领域也迎来了前所未有的发展机遇。文本分类是自然语言处理中最基础的任务之一，旨在将文本数据按照预定义的类别进行划分。深度学习模型通过自动学习文本中的语义特征，能够实现对新闻、评论、社交媒体内容等多种类型文本的准确分类。情感分析作为文本分类的一个特例，旨在识别文本中表达的情感倾向（如正面、负面或中性）。这一技术在电商推荐、舆情监测、客户服务等领域具有广泛的应用价值。通过分析用户对产品的评价或对社会事件的看法，企业可以及时调整策略、优化产品、提升服务质量。1文本分类与情感分析机器翻译是自然语言处理领域最具挑战性的任务之一