【初识】深度学习-是怎么一回事

哎呀呀，终于等来你了！

你也想学深度学习呀~！我刚好会耶！那咱赶快开始吧~！

在正式开始前，先来随便讲点小故事，说说深度学习是怎么一回事。

一、深学习学的祖先-MLP神经网络

说到深度学习，就不得不说MLP神经网络，因为就是它生下了深度学习。

MLP是个什么东西呢，就是如下这样的东西：

对神经网络稍有接触的应该都很熟悉它，它常常被人叫做BP神经网络，因为它用BP算法来计算梯度，这是它的特色。不过在深度学习里各种模型都使用BP算法，就算不上它的特色了，一般都只叫它MLP或全连接神经网络。

MLP有什么功能呢？它的功能可特殊了，它就可以通过调整权重来学习任意的输入、输出的关系，所以你只要采集一堆输入、输出数据回来，喂给它就可以了。有同学就发问了，能不能让它学习股票中的规则然后发大财呢，这应该比较难，它只是从数据中学习规则，股票数据中更多的是伪规则，学了也没什么用。

简单来说呢，MLP就是一个不需要知道X、Y的背景、光凭数据就能学习X、Y任意关系的模型。

学过BP神经网络的同学，上手深度学习相对会更快手些，毕竟，都认识它的祖先了嘛~

二、 深度学习是怎么一回事

好了，下面我们来说说深度学习的开山鼻祖--CNN！

1.1. MLP在图像领域的困难

首先，CNN是怎么来的呢，那就是MLP解决图像时，会遇到一个难题--输入非常的多！

输入多会导致MLP的参数疯狂爆涨！只要图片大一些，例如，它就干不动了！

可以看到，输入节点就有个，如果隐层节点来个5000，那光是输入层到隐层的权重参数就有224*224*5000=2.5亿个，那就很难训练了，一句话，对于图像，MLP干不动了！

1.2. 深度学习的开山鼻祖-CNN

好了，上面说到MLP在图片领域由于输入过多而干不动，下面就到我们的CNN出场了。

MLP干不动是因为输入过多，于是CNN大聪明就想到了一个办法！就是图片邻近的像素是有关联的，也就是存在信息冗余，也就是，你看着224*224的图片，实际它里面呀，也不是真的有224*224维的独立信息，所以，把它压缩小了再扔回给MLP不就行了么？！接下来，怎么压缩就是CNN要干的事情了。

如上图所示，初代CNN就是引入了卷积层和池化层，通过它们来把输入特征逐层压缩小了，再丢给MLP。一尝试，果然好用！好了，这个方向行，那就加油撸！把效果搞到极致！于是，大家开始在结构、原理上进行雕花，各种经典CNN就出现了，AlexNet，VggNet，GoogLeNet，ResNe等等。

值得注意的是，由于加入了特征压缩，模型不再是MLP时常用的三层结构，而是增加了更多层。但加层也是会遇到很多训练上的困难的，大家也不能一直加，所以一边加层、一边研究怎么加层也能顺利训练，直到玩到ResNet时，ResNet提出了残差连接技术，直接把它干爆了，祭出一个1202层的模型仍然轻轻松松完成训练！

好了，故事总是精彩的，我们这里就刹住不说了，因为说到这里，就已经大概知道深度学习是怎么回事了。

1.3. 深度学习是怎么一回事

从上面的故事，我们已经大概可以知道，深度学习其实往往就是MLP在其它领域应用时，遇到瓶颈，然后经过结构改造、加深层数等等一系列手段，就发展出了该领域上的专用模型。而这些模型往往都是多层的，需要采取类似的技术来解决多层模型训练困难的问题，然后这些领域上的这些模型，就统称为了深度学习。

下面是一些较常见的深度学习领域：

        ⚫︎  CNN卷积神经网络：用于解决图像问题。

        ⚫︎  RNN循环神经网络：用于解决时序问题(例如文本、语音等)。

        ⚫︎  生成模型：用于生成与训练样本类似的样本(例如图片生成)。

        ⚫︎  YOLO：用于目标检测的一系列模型。

        ⚫︎  强化学习：构造智能体，然后通过奖励的方式来训练智能体解决问题。

        ⚫︎  GNN图神经网络：用于解决非结构数据。

所以呢，深度学习不是一个单薄的东西，而是各个领域上的深度模型、以及解决深度问题的总体通用技术。

结束语

好了，就随便唠唠，说得不对也没关系，反正我是写给小白看的，不过于较真，较真了寸步难行。学深度学习其实是很有意思的一件事情，它不像机器学习那样，总是学一个一个的模型，而是像看故事一样，讲述模型是如何如何一步一步的演化来解决难题，从而将效果一次又一次推上高峰。