深度学习介绍
1、学习目标：
学会使用pytorch构建学习系统
理解基础的神经网络和深度学习
需要具备
线性代数+概率论（随机变量和分布之间的关系）
python
过拟合指的是：数据量过少、网络太简单、方法使用不当
2、深度学习爆发的三大核心因素
前馈神经网络（全连接网络）
层级结构：输入层——隐含层——输出层
应用场景：图像分类、回归预测等基础任务
卷积神经网络（CNN）
核心特征：局部连接、权值共享、池化操作
优势：平移/缩放不变性，适合图像处理
典型应用：imageNet竞赛、AlphaGo视觉模块
循环神经网络（RNN）
核心特征：时间序列依赖处理能力
架构特点：隐含层循环连接
典型应用：自然语言处理、语音识别
3、GPU加速
技术优势：
并行处理海量张量运算
3D图形渲染技术转用于深度学习训练
关键作用：
缩短训练周期（如AlexNet训练时间从月数降至数天）
支持更深层网络架构开发
工具分享：首页 · 魔搭社区