人工基础智能 3

模块三体验机器如何“学习”单元十让机器“深度”学习人工智能概论——财经商贸AI技术与应用

第一节

深度学习的基本原理一、神经网络基础认知（一）神经网络的构成（二）神经元的判断逻辑（三）神经网络的协同工作二、神经网络的演变（一）CNN（二）RNN（三）Transformer（四）生成式AI与AIGC一、神经网络基础认知（一）神经网络的构成神经网络的构成围绕“人工神经元”展开，通过神经元的层级连接，形成完整的信息处理网络。1．人工神经元人工神经元是神经网络的“基本单元”，可理解为一个小型信息处理器：接收输入信息，进行简单运算，再将处理后的结果传递给下一个环节。2．网络层级单个人工神经元的处理能力有限，神经网络的优势在于连接与层级。多个人工神经元按一定规则排列成不同层级——输入层接收原始信息，隐藏层对信息进行多轮处理，输出层给出最终结果。不同层级的神经元相互连接，形成一张庞大的“信息处理网络”。一、神经网络基础认知（二）神经元的判断逻辑隐藏层中每个人工神经元接收多个输入信息时，首先将文字、描述类信息转化为可计算的数值，然后根据信息的重要程度，为每个输入分配不同的权重，再将每个输入与对应权重相乘后进行汇总相加，得到一个加权总分。这个总分本身没有明确的是或否的含义，必须经过激活函数才能得出结论。激活函数的作用是给神经元设定一条清晰的判断规则（此处以简单的阈值函数为例）：先设定一个阈值，如果加权总分大于等于该阈值，则输出有效信号（如1）；否则输出无效信号（如0）。一、神经网络基础认知（三）神经网络的协同工作单个人工神经元的判断能力有限，无法处理复杂任务。因此，神经网络将大量神经元按“输入层—隐藏层—输出层”的结构分层连接，各层协同工作。同时神经网络具备自主学习能力，能通过大量标注数据的训练，不断调整各神经元的权重，优化判断逻辑。一、神经网络基础认知结构相对简单的神经网络仅能处理简单的分类、判断任务，例如判断题目对错、区分黑白图片等。为了应对更复杂的信息处理需求，人们对这种简单神经网络进行了升级，升级后的网络就是深度神经网络，它在初始简单神经网络的基础上增加了更多隐藏层，并优化了网络结构，因此具备了更强的信息处理能力。常说的深度学习，正是依托深度神经网络实现的机器学习技术，深度神经网络也是深度学习的核心载体。随着科技的发展，人们需要用深度神经网络解决更复杂的实际问题，例如识别彩色图片、听懂人类语音、理解文字含义，这就需要对深度神经网络进行专项优化，演变出适合不同领域的专用模型，其中常用的有四类模型：CNN、RNN、Transformer、生成式AI与AIGC。二、神经网络的演变二、神经网络的演变（一）CNN普通神经网络处理人脸识别、图片分类等图像任务存在缺陷：图像像素直接输入会造成神经元、计算量过大，且难以捕捉图像空间特征。为此优化出CNN卷积神经网络，核心是神经元只关注图像局部区域，用同一套规则识别全图相似特征，大幅减少计算量，便于提取图像关键特征。二、神经网络的演变（二）RNN传统神经网络难以处理翻译、语音识别等序列任务，无法捕捉文本、时序数据的前后关联。为此衍生出RNN循环神经网络，增设循环层与隐藏状态，赋予网络记忆能力，处理当前输入时可留存前文信息，捕捉序列关联、理解完整语义。二、神经网络的演变（三）TransformerTransformer的核心思想是自注意力机制。它让神经网络拥有全局视野，能够同时关注整个序列中的所有信息，快速找到不同位置文字之间的关联。二、神经网络的演变（四）生成式AI与AIGC随着CNN、RNN、LSTM、Transformer等神经网络架构的迭代，人工智能的研究范式从专用模型转向了大规模预训练模型。在此基础上，让AI不仅能判断、识别，还能创造，这就是现在热议的生成式AI，也是AIGC（人工智能生成内容）技术的核心载体。生成式AI本质上是深度神经网络的进一步优化。它融合了Transformer的自注意力机制、CNN的图像特征提取能力，并依托海量训练数据，让模型深度学习人类的创作逻辑，最终具备自主生成全新内容的能力，而AIGC正是依托这一技术，实现了文字、图像、音频、视频等全品类内容的自动化创作。二、神经网络的演变（四）生成式AI与AIGC1．AI绘画：体验文心一言绘画功能二、神经网络的演变（四）生成式AI与AIGC2．文本创作：体验豆包文案生成二、神经网络的演变（四）生成式AI与AIGC3．语音合成：体验百宝音平台生成配音二、神经网络的演变（四）生成式AI与AIGC4．AI视频生成：体验即梦AI短视频生成（二）常见的聚类算法1.K均值聚类算法K均值聚类算法，又称K-Means算法，是通过迭代优化将数据集划分为预先指定的K个簇的聚类方法。三、聚类算法认知2.DBSCAN算法DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise，基于密度的带噪声应用空间聚类）是一种基于密度的聚类算法，不需要预先指定聚类数量，而是通过样本点的密集程度自动划分簇、识别噪声。三、聚类算法认知第二节

深度学习模型构建一、访问BML二、体验商品图像识别模型训练与应用（一）数据服务（二）模型训练（三）模型发布与评估（四）模型部署与预测一、访问BML进入百度智能云BML平台二、体验商品图像识别模型训练与应用（一）数据服务

数据集管理：二、体验商品图像识别模型训练与应用（一）数据服务

创建数据集：二、体验商品图像识别模型训练与应用（一）数据服务

导入数据：二、体验商品图像识别模型训练与应用（二）模型训练

创建任务：二、体验商品图像识别模型训练与应用（二）模型训练

新建计算机视觉模型：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置一：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置二：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置三：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置四：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置五：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置六：二、体验商品图像识别模型训练与应用（二）模型训练

新建运行配置七：二、体验商品图像识别模型训练与应用（二）模型训练

评估报告显示：二、体验商品图像识别模型训练与应用（三）模型发布与评估

模型仓库界面：二、体验商品图像识别模型训练与应用（三）模型发布与评估

创建模型评估：二、体验商品图像识别模型训练与应用（三）模型发布与评估

测试集数据选择和标签匹配：二、体验商品图像识别模型训练与应用（三）模型发布与评估

进行评估：二、体验商品图像识别模型训练与应用（三）模型发布与评估

发布模型弹窗：二、体验商品图像识别模型训练与应用（三）模型发布与评估

结果查看：二、体验商品图像识别模型训练与应用（四）模型部署与预测

创建预测：二、体验商品图像识别模型训练与应用（四）模型部署与预测

开通BOS对象存储服务：二、体验商品图像识别模型训练与应用（四）模型部署与预测

BOS上传文件：二、体验商品图像识别模型训练与应用（四）模型部署与预测

数据配置：二、体验商品图像识别模型训练与应用（四）模型部署与预测

下载预测结果：本单元聚焦神经网络基础构成、神经元逻辑、网络协作机制与CNN、RNN、Transformer等主流模型演变脉络，梳理依托百度智能云BML平台从数据服务到模型部署预测的全流程实战。核心维度关键内容解析深度学习基本原理掌握神经网络基础组