深度学习原理
深度学习 = 多层神经网络 + 数据训练 + 自动优化
1. 核心思想
通过多层网络自动学习数据特征：
输入数据
↓
多层神经网络
↓
提取特征
↓
输出预测结果
2. 神经网络基本单元
一个神经元：
输入 × 权重 + 偏置
↓
激活函数
↓
输出
作用：学习输入和输出之间的关系。
3. 训练过程
主要两个步骤：
① 前向传播
输入 → 网络计算 → 得到预测
② 反向传播
预测结果
↓
计算误差
↓
调整权重
↓
模型变好
4. 核心技术
- 激活函数：增加非线性能力
- 损失函数：衡量预测错误
- 梯度下降：优化参数
- 反向传播：更新网络权重
5. 常见模型
| 模型 | 用途 |
|---|---|
| CNN | 图像识别 |
| RNN | 时间序列、文本 |
| Transformer | 大模型、NLP、多模态 |
6.总结
深度学习就是让神经网络通过大量数据不断调整参数，自动学习复杂规律，用于预测和决策。