什么是深度学习？— 深度学习 AI 简介

2026-02-10 20:26:44 1958世界杯

机器学习、深度学习和生成式人工智能这些术语证明了神经网络技术的进步。

机器学习

深度学习是机器学习的子集。深度学习算法的出现是为了提高传统机器学习技术的效率。传统的机器学习方法需要大量的人力来训练软件。例如，在动物图像识别中，您需要执行以下操作：

手动标记数十万张动物图像。

让机器学习算法处理这些图像。

在一组未知图像上测试这些算法。

找出某些结果不准确的原因。

通过标注新图像来改进数据集，以提高结果准确性。

这个过程称为有监督学习。在有监督学习中，只有拥有广泛且充分多样化的数据集时，结果准确性才会提高。例如，该算法可能可以准确识别黑猫，但不能准确识别白猫，因为训练数据集包含更多黑猫图像。在这种情况下，您将需要更多的白猫图像的标签数据来再次训练机器学习模型。

与机器学习相比，深度学习的优势

与传统的机器学习相比，深度学习网络具有以下优势：

高效处理非结构化数据

机器学习方法发现非结构化数据（如文本文档）难以处理，因为训练数据集可能有无限种变化。另一方面，深度学习模型可以理解非结构化数据并进行一般观察，而无需手动提取特征。例如，神经网络可以识别出这两个不同的输入句子具有相同的含义：

您能否告诉我如何付款？

我如何转账？

隐藏的关系和模式发现

深度学习应用程序可以更深入地分析大量数据，并揭示可能尚未对其进行过训练的新见解。例如，考虑一个经过训练以分析消费者购买的深度学习模型。该模型仅包含您已购买的商品的数据。但是，通过对比您和其他类似客户的购买模式，人工神经网络可以向您推荐您尚未购买的新品。

无监督学习

深度学习可以根据用户行为进行学习，并随时间推移进行改进。它们不需要大量不同版本的标注数据集。例如，考虑通过分析您的键入行为自动更正或推荐词汇的神经网络。假设使用英语训练该模型，因此可对英语词汇进行拼写检查。但是，如果您经常键入非英语词汇，如 danke，神经网络也可以自动学习和更正这些词汇。

易失性数据处理

易失性数据集具有各种不同的版本。银行的贷款还款额就是其中的一个例子。深度学习神经网络可以对这些数据进行分类和排序，例如通过分析金融交易并标记其中部分交易以进行欺诈检测。

了解有关深度学习与机器学习的更多信息

生成式人工智能

生成式人工智能将机器学习和深度学习的神经网络提升到了一个新的水平。机器学习和深度学习侧重于预测和模式识别，而生成式人工智能则根据其检测到的模式产生特殊输出。生成式人工智能技术构建于转换器架构之上，该架构结合了多种不同的神经网络，以独特的方式组合数据模式。深度学习网络首先将文本、图像和其他数据转换为数学抽象，然后将其重新转换为有意义的新模式。