开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

深度学习的基本思路

是通过构建人工神经网络模型来模拟人脑的学习和决策过程。它的核心思想是通过多层次的神经网络结构，将输入数据进行特征提取和抽象表示，然后利用这些表示进行分类、预测或生成新的数据。

深度学习的分类：深度学习可以分为有监督学习和无监督学习两种类型。有监督学习是指通过给定的标签数据进行训练，使模型能够学习到输入数据和对应标签之间的映射关系。无监督学习则是在没有标签的情况下，通过模型自身的学习能力来发现数据中的潜在结构和模式。

深度学习的优势：深度学习在处理大规模数据和复杂任务时具有以下优势：

自动特征学习：深度学习模型可以自动从原始数据中学习到高层次的抽象特征表示，无需手动设计特征。
高性能表现：深度学习模型在图像识别、语音识别、自然语言处理等任务上取得了很好的表现，超越了传统机器学习方法。
可扩展性：深度学习模型可以通过增加网络层数和神经元数量来提升模型的性能，适用于处理大规模数据和复杂任务。
并行计算：深度学习模型可以利用GPU等硬件设备进行并行计算，加速模型的训练和推理过程。

深度学习的应用场景：深度学习在各个领域都有广泛的应用，包括但不限于：

计算机视觉：图像分类、目标检测、人脸识别、图像生成等。
自然语言处理：机器翻译、文本分类、情感分析、语音识别等。
语音和音频处理：语音合成、语音识别、音乐生成等。
推荐系统：个性化推荐、广告推荐等。
医疗健康：疾病诊断、医学影像分析等。
金融领域：风险评估、欺诈检测等。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI Lab：https://cloud.tencent.com/product/ai-lab
腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云智能图像处理：https://cloud.tencent.com/product/tiip
腾讯云智能语音识别：https://cloud.tencent.com/product/asr
腾讯云智能音频处理：https://cloud.tencent.com/product/tiap

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

人工智能-深度学习

空山鸣响，静水流深：深度学习概述 ---- 深度学习的一些简介，其要点如下：深度学习实际上是基于具有多个隐藏层的神经网络的学习；深度学习的思想来源于人类处理视觉信息的方式；深度学习的发展得益于数

02

【最前沿】百家争鸣的Meta Learning，通用人工智能关键

【新智元导读】Meta Learning是实现通用人工智能的关键，已经成为继Reinforcement Learning 增强学习之后又一个重要的研究分支。前言 Meta Learning 元学习或者叫做 Learning to Learn 学会学习，已经成为继Reinforcement Learning 增强学习之后又一个重要的研究分支（以后仅称为Meta Learning）。对于人工智能的理论研究，呈现出了这样的趋势： Artificial Intelligence --> Machine Learn

04

观点｜元学习：实现通用人工智能的关键！

1 前言 Meta Learning（元学习）或者叫做 Learning to Learn（学会学习）已经成为继Reinforcement Learning（增强学习）之后又一个重要的研究分支（以后仅称为Meta Learning）。对于人工智能的理论研究，呈现出了 Artificial Intelligence --> Machine Learning --> Deep Learning --> Deep Reinforcement Learning --> Deep Meta Learning 这样的

06

机器学习 – machine learning | ML

1956 年提出 AI 概念，短短3年后（1959） Arthur Samuel 就提出了机器学习的概念：

02

干货丨深度迁移学习方法的基本思路

百度前首席科学家、斯坦福大学副教授吴恩达（Andrew Ng）曾经说过：迁移学习将是继监督学习之后的下一个促使机器学习成功商业化的驱动力。本文选自《深度学习500问：AI工程师面试宝典》，将重点介绍目前最热门的深度迁移学习方法的基本思路。 ▼限时5折，扫码了解详情▼ ▼ 随着迁移学习方法的大行其道，越来越多的研究人员开始使用深度神经网络进行迁移学习。与传统的非深度迁移学习方法相比，深度迁移学习直接提升了在不同任务上的学习效果，并且由于深度迁移学习直接对原始数据进行学习，所以它与非深度迁移学习方法相比

03

复旦大学宋志坚教授：深度学习在mpMRI图像处理、医疗数据增强方面的工作心得 | ISICDM 2019

自第三次工业革命以来，新的创造财富的科技动力还没有真正到来，人工智能成为承载众人希望的变革力量之一，但要实现突破性进展，任重而道远。

02

【建议收藏】NLP全路径学习推荐

我跟几位BAT老哥聊了下NLP全路径学习的事情，总结出以下内容，包含：学习NLP需要具备哪些基础 NLP全路径各任务学习的项目 01 学习NLP需要具备的基础 01 机器学习熟悉简单的机器学习模型。例如：逻辑回归、决策树、朴素贝叶斯、隐马尔科夫模型、K-Means、正则化方法等；有部分高级机器学习基础更好。例如：集成学习（随机森林、GBDT、XGB、Stacking等）、条件随机场CRF、贝叶斯网络、支持向量机、主题模型等。 02 深度学习熟悉简单的神经网络基础。例如：神经元模型、多层感知机、反向传播

03

【建议收藏】NLP全路径学习推荐

我跟几位BAT老哥聊了下NLP全路径学习的事情，总结出以下内容，包含：学习NLP需要具备哪些基础 NLP全路径各任务学习的项目 01 学习NLP需要具备的基础 01 机器学习熟悉简单的机器学习模型。例如：逻辑回归、决策树、朴素贝叶斯、隐马尔科夫模型、K-Means、正则化方法等；有部分高级机器学习基础更好。例如：集成学习（随机森林、GBDT、XGB、Stacking等）、条件随机场CRF、贝叶斯网络、支持向量机、主题模型等。 02 深度学习熟悉简单的神经网络基础。例如：神经元模型、多层感知机、反向传播

01

总结 | 云脑科技徐昊：AutoML 工程实践与大规模行业应用 | AI研习社104期大讲堂

AI 科技评论按：AutoML 是今年的机器学习的热点，该技术潜力很大，在工程实践能够产生巨大的价值。现阶段，业界主要在探讨 AutoML 的难点与方向阶段，目前还没有一家推出系统性的方案。在工程实践上，AutoML 还没有成为机器学习流程自动化、智能化的主要推动力。在实际应用中，针对大数据大模型的 AutoML 优化在 research 与 engineering 两方面都很缺乏。在本次公开课中，嘉宾分享了关于 AutoML 的算法和工程落地等实际问题。

04

通用视觉框架OpenMMLab图像分类与基础视觉模型

在ImageNet 图像识别挑战赛里，2010 和2011 年的冠军队伍都使用了经典的视觉方法，基于手工设计的特征+ 机器学习算法实现图像分类，Top-5 错误率在25% 上下。

02

KDnuggets热门深度学习工具排行：Pylearn2 居首，Caffe第二

如今深度学习是AI和机器学习领域最热门的学习趋势。我们来审查为深度学习而开发的软件，包括Caffe，CUDA convnet，Deeplearning4j，Pylearn2，Theano和Torch。深度学习是现在人工智能（Artificial Intelligence）和机器学习（Machine Learning）最热门的的趋势，每天的报刊都在报道令人惊异的新成就，比如在IQ测试中超越了人类（doing better than humans on IQ test）。 2015 KDnuggets Sof

03

Hello NLP(1)——词向量Why&How

相比于计算机视觉，NLP可能看起来没有那么有趣，这里没有酷炫的图像识别、AI作画、自动驾驶，我们要面对的，几乎都是枯燥的文本、语言、文字。但是，对于人工智能的征途来说，NLP才是皇冠上的那颗珍珠，NLP是AI完全问题，当NLP的问题解决了，机器才真正具备了理解、思考的能力，我们才敢说实现了真正的“智能”。

03

DNN深度学习模型机器学习模型特征筛选各个特征重要度排序

在机器学习或者深度学习模型训练完成后，通常我们需要对输入特征进行重要度排序及筛选，好去找到一些重要度没这么高的特征，将其排除以提高模型收敛速度及准确率。

06

AI平台算子开发思路

文章目录 AI平台平台算子开发算子算子开发包 AI平台 AI平台就是承载数据的输入、AI算法的模型的输出、AI模型的服务、AI模型的训练、调优以及AI模型快速搭建的平台，方便使用者快速的去学习

03

推荐系统遇上深度学习(一二二)-[阿里]通过孪生掩码层来高效的学习特征表示向量

今天给大家介绍阿里在CIKM2021上发表的一篇关于Embedding的论文，本文的标题是从阿里妈妈技术复制过来的（共有6篇论文入选，可参考https://zhuanlan.zhihu.com/p/401520358）。论文设计了孪生的自适应掩码层（AMTL）来计算每个特征保留的Embedding长度的大小，在提升精度的同时，还能有效节省Embedding的存储空间并很好的支持模型特征向量的热启动，一起来看一下。

02

【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理

【导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割。本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。图像分类(image classification) 给定一张输入图像，图像分类任务旨在判断该图像所属类别。 (1) 图像分类常用数据集以下是几种常用分类数据集，难度依次递增。h

08

3 个经典的卷积神经网络案例分析

本文将以 Alex-Net、VGG-Nets、Network-In-Network 为例，分析几类经典的卷积神经网络案例。

02

【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理

作者：张皓【新智元导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割

06

一次不成功的深度学习实践-微信跳一跳

本文讲述了一次不成功的深度学习实践，通过微信跳一跳游戏，利用深度学习识别截图中的棋子和目标块，并模拟长按操作以实现跳跃。文章分析了实现过程中遇到的问题和解决方法，以及使用规则检测代替深度学习模型的原因。同时，作者也分享了自己在技术社区中的经验和建议。

05

3 个经典的卷积神经网络案例分析

本文将以 Alex-Net、VGG-Nets、Network-In-Network 为例，分析几类经典的卷积神经网络案例。

01

微信跳一跳之深度实践

最近微信的跳一跳小程序火了一把，所以前天也更新了微信玩了几局，最多手动到200左右就不行了。

机器学习套路就这三个

想要成为合格的，或者更进一步成为优秀的人工智能工程师或数据科学家，机器学习的各种基础知识是必不可少的。然而，机器学习领域浩如烟海，各类教材和入门课程层出不穷。特别是机器学习基础需要不少的数学知识，这对于想进入这一领域的工程师而言，无疑是一个比较高的门槛。今天，我来和你聊一聊如何学习和掌握机器学习基础知识，又如何通过核心的知识脉络快速掌握更多的机器学习算法和模型。监督学习和无监督学习要问机器学习主要能解决什么问题，抛开各式各样的机器学习流派和层出不穷的算法模型不谈，机器学习主要解决的是两类问题：监督学习

【每周CV论文推荐】 CV领域中数据增强相关的论文推荐

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

03

一次不成功的深度学习实践 - 微信跳一跳

最近微信的跳一跳小程序火了一把，所以前天也更新了微信玩了几盘，最多手动到200左右就不行了。后来准备用代码写个辅助工具，上Github一查，已经有人做出来了，17年12月29号的项目，不到5天差不多

04

卷积神经网络的压缩

正文部分系《解析卷积神经网络——深度学习实践手册》基础理论篇部分，本次将介绍卷积神经网络压缩的具体途径

02

分词 – Tokenization

分词就是将句子、段落、文章这种长文本，分解为以字词为单位的数据结构，方便后续的处理分析工作。

03

机器学习：提升树（boosting tree）算法的思想

《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！ 01 — 回顾昨天编写了单个决策树用于回归的实现源码，它的构建实际上就是在不断寻找最优的划分属性和其取值的过程，分割后的节点若特征的取值都一样，或者包含的节点个数小于某个阈值，都将被标记为叶子节点，不再继续分裂，并且这个节点的取值为某个目标值，而不是像非叶子节点那样为某个最优特征及其分割值。这是一个决策树用于回归的算法，以此为基础模型，如果

08

深度学习与TensorFlow:FCN论文学习笔记

这篇文章陆陆续续看了快两周,其中也遇到了自己很多的知识的漏洞,踩了很多坑,这里希望能够和大家说一说,也希望大家可以分享一下自己的看法. 1:FCN基本思路自从CNN成功之后,很多人都在尝试使用CNN进行图像分割,个人认为CNN最厉害的地方是他的多层结构可以自动提取学习的特征,并且将其学习,并且将提取的这些特征进行分类,但是我们当用CNN进行图像分割的时候,CNN的这项优势反而变成了劣势,因为在特征提取时丢失了一些细节,反倒没有办法指出某些像素点属于那些物体,而FCN跟传统的CNN进行像素分割不同,FCN是

05

深度学习与TensorFlow：FCN论文学习笔记

这篇文章陆陆续续看了快两周,其中也遇到了自己很多的知识的漏洞,踩了很多坑,这里希望能够和大家说一说,也希望大家可以分享一下自己的看法.

03

资深算法专家解读CTR预估业务中的深度学习模型

内容来源：2018 年 01 月 05 日，资深算法专家张俊林在“2018 移动技术创新大会”进行《深度学习在CTR预估业务中的应用》演讲分享。IT 大咖说（微信id：itdakashuo）作为独家视频合作方，经主办方和讲者审阅授权发布。

03

博客 | 「特征工程」与「表示学习」

当我们学习一个复杂概念时，总想有一条捷径可以化繁为简。机器学习模型也不例外，如果有经过提炼的对于原始数据的更好表达，往往可以使得后续任务事倍功半。这也是表示学习的基本思路，即找到对于原始数据更好的表达，以方便后续任务（比如分类）。

04

学习算法、专用芯片、智能网络、云上数据：未来智能世界的信息基础设施

一、深度学习算法可以完成大多数智能计算任务伊恩（Ian Goodfellow）“老爷子”在《深度学习》一书的引言中讲了一个有趣的结论：“神经学家们发现，如果将雪貂的大脑重新连接，使视觉信号传递到听觉区域，他们可以学会用大脑的听觉处理区域去‘看’。这暗示着大多数哺乳动物的大脑使用单一的算法就可以解决他们大脑可以处理的大部分不同任务。” 而他所说的“大部分”不同任务，就是类似于人类能够很容易的从复杂的环境中找出活动的人，判断出他在做什么运动、大概年龄，以及更深层的理解是否健康、心情如何等，目前传统计算机算法很

07

深度学习与TensorFlow:FCN论文学习笔记

这篇文章陆陆续续看了快两周,其中也遇到了自己很多的知识的漏洞,踩了很多坑,这里希望能够和大家说一说,也希望大家可以分享一下自己的看法.

05

RS Meet DL(51)-谈谈推荐系统中的冷启动

先说说为何改了标题吧，之前使用中文的话，前缀实在太长了，分享到群聊的时候，真正的标题根本不知道是什么。因此从本文开始，我们使用RS Meet DL来替换原来的标题推荐系统遇上深度学习。

01

【人工智能工程师】掌握这10个项目，秒杀90%面试者！

2017年人工智能给了我们太多的惊喜和变化，从今年开始，国际巨头们纷纷开始大踏步地战略转向——从移动优先转向AI优先：3月份的微软、4月份的Facebook、5月份的Google、6月份的苹果……乃至前段时间百度大会上，李厂长的一句：无人车罚单都来了，量场还会远吗？直接掀起当天的高潮！由此可见：人工智能已经进入了全球爆发的前夜。个性化信息推送、人脸识别、语音操控等人工智能技术，已“入侵”日常生活的细枝末节。那人工智能有多火？平均每10.9个小时诞生一家AI企业。而且众所周知：国内大量的、一线的互联网公司已

05

图像分类、检测，语义分割等方法梳理

本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。

01

GAN的发展系列四（Pix2Pix、CycleGAN）

一、 Pix2pix 论文：《Image-to-Image Translation with Conditional Adversarial Networks》论文地址：https://arxiv.org/abs/1611.07004 代码地址：https://github.com/phillipi/pix2pix.

01

深度学习500问——Chapter10：迁移学习（3）

数据分布自适应（Distribution Adaption）是一类最常用的迁移学习方法。这种方法的基本思想是，由于源域和目标域的数据概率分布不同，那么最直接的方式就是通过一些变换，将不同的数据分布的距离拉近。

01

一文详解计算机视觉的广泛应用：网络压缩、视觉问答、可视化、风格迁移等

作者 | 张皓（南京大学）引言深度学习目前已成为发展最快、最令人兴奋的机器学习领域之一，许多卓有建树的论文已经发表，而且已有很多高质量的开源深度学习框架可供使用。然而，论文通常非常简明扼要并假设读

05

【AutoML】如何选择最合适的数据增强操作

大家好，欢迎来到专栏《AutoML》。在这个专栏中，我们会讲述AutoML技术在深度学习中的应用。这一期讲述在数据增强中的应用，这也是AutoML技术最早期的应用之一。

02

CNN+ Auto-Encoder 实现无监督Sentence Embedding ( 基于Tensorflow)

这篇文章会利用到上一篇：基于Spark /Tensorflow使用CNN处理NLP的尝试的数据预处理部分，也就是如何将任意一段长度的话表征为一个2维数组。

00

PaddlePaddle发布基于Docker的AI系统开发流程

【新智元导读】本文来自PaddlePaddle团队，介绍了PaddlePaddle与众不同的基于Docker的编译、开发、测试、调试、发布、部署、和运行的全流程及其背后的设计思路。

07

卷积神经网络的经典结构（二）

正文部分系《解析卷积神经网络——深度学习实践手册》基础理论篇部分，本次将详细介绍卷积神经网络中经典网络模型案例分析，包括Alex-Net、VGG-Nets、Network-In-Network、残差网络模型，更多详细内容以及注释可阅读书籍获取~

02

使用CNN+ Auto-Encoder 实现无监督Sentence Embedding (代码基于Tensorflow)

1前言这篇文章会利用到上一篇：基于Spark /Tensorflow使用CNN处理NLP的尝试的数据预处理部分，也就是如何将任意一段长度的话表征为一个2维数组。本文完整的代码在这： autoencoder-sentence-similarity.py（https://gist.github.com/allwefantasy/51275cb5c649e4a69b33131e967e2af9#file-autoencoder-sentence-similarity-py）基本思路是，通过编码解码网络（

04

深度稳定学习：因果学习的最新进展 | 清华大学团队 CVPR 研究

这都2021年了，对 AI 而言，识别出猫猫狗狗肯定再简单不过了。‍‍‍‍‍‍‍‍

04

【技术综述】闲聊图像分割这件事儿

想当年，大学的时候。同学们进进出出图书馆，手里揣着的都是什么微积分，明朝那些事儿之类的书。而我几年下来，全是adobe photoshop，adobe premiere，adobe after effects，adobe flash，总之就是adobe全家桶。别人在网吧打游戏，我经常鼓捣七八个小时的绘声绘影，premiere，nero等等。

02

中文简短的《神经网络与深度学习》极佳入门书-出自量子物理学家

朱小虎 Freeman Zhang 等翻译前言《神经网络和深度学习》是一本免费的在线书。本书会教会你: • 神经网络,一种美妙的受生物学启发的编程范式,可以让计算机从观测数据中进行学习 • 深度

01

【深度学习篇】---CNN和RNN结合与对比，实例讲解

CNN和RNN几乎占据着深度学习的半壁江山，所以本文将着重讲解CNN+RNN的各种组合方式，以及CNN和RNN的对比。

03

一文了解成分句法分析

本文介绍了自然语言处理中成分句法分析，包括定义、基本任务、常见方法以及短语结构和依存结构的关系，最后，分享了一些流行的工具以及工具实战例子。

03

厚积薄发的一年---用Jetson Nano实现入侵检测的项目分享

回顾2023，有为了一个BUG或知识熬过夜，也有为了项目连续几天三点一线，在这期间的积累的一砖一瓦中，除了直接获得专业知识，提高专业技能外，更多的是从项目中得到足以使我终生受益的其他收获。下面就一今年收获最多的项目来总结我的2023 ————————————————————————————————

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭