神經網絡與深度學習的關鍵區別在於,神經網絡的運行方式與人腦中的神經元相似,可以更快地完成各種計算任務,而深度學習是一種特殊的機器學習,模仿人類獲取知識的學習方法。
神經網絡有助於建立預測模型來解決複雜問題。另一方面,深度學習是機器學習的一部分。它有助於發展語音識別、圖像識別、自然語言處理、推薦系統、生物信息學等等。神經網絡是一種實現深度學習的方法。
目錄
1. 概述和主要區別
2. 什麼是神經網絡
3. 什麼是深度學習
4. 並列比較-神經網絡與表格形式的深度學習
5. 摘要
什麼是神經網絡(neural network)?
生物神經元是神經網絡的靈感來源。人腦中有數百萬個神經元,信息從一個神經元傳遞到另一個神經元。神經網絡使用這個場景。他們創造了一個類似大腦的計算機模型。它可以比一般系統更快地完成複雜的計算任務。
在神經網絡中,節點相互連接。每個連接都有一個權重。當節點的輸入是x1,x2,x3,…並且相應的權重是w1,w2,w3,…那麼淨輸入(y)是,
y=x1w1+x2w2+x3w3+…。
將網絡輸入應用到激活函數後,它給出輸出。激活函數可以是線性函數,也可以是sigmoid函數。
Y=F(Y)
如果此輸出與期望輸出不同,則再次調整重量,並繼續此過程,直到獲得所需輸出。此更新權重根據反向傳播算法進行。
有兩種神經網絡拓撲稱為前饋和反饋。前饋網絡沒有反饋迴路。換句話說,信號只從輸入流到輸出端。前饋網絡又分為單層神經網絡和多層神經網絡。
網絡類型
在單層網絡中,輸入層連接到輸出層。多層神經網絡在輸入層和輸出層之間有更多的層。這些層稱為隱藏層。另一種網絡類型是反饋網絡,它有反饋路徑。此外,還有可能向雙方傳遞信息。
神經網絡通過修改節點間連接的權值來學習。有三種學習類型,如監督學習、無監督學習和強化學習。在有監督學習中,網絡根據輸入向量提供一個輸出向量。將該輸出向量與期望的輸出向量進行比較。如果存在差異,權重將修改。此過程將繼續進行,直到實際輸出與所需輸出匹配為止。
在無監督學習中,網絡通過自身的輸入數據和輸入數據之間的關係來識別模式和特徵。在這種學習中,相似類型的輸入向量組合起來創建集群。當網絡獲得一個新的輸入模式時,它將給出指定該輸入模式所屬的類的輸出。強化學習接受來自環境的一些反饋。然後網絡改變權重。這些是訓練神經網絡的方法。總的來說,神經網絡有助於解決各種模式識別問題。
什麼是深度學習(deep learning)?
在深入學習之前,討論機器學習是很重要的。它使計算機能夠在沒有明確編程的情況下進行學習。換句話說,它有助於創建自學習算法來分析數據並識別模式以做出決策。但是,一般的機器學習也有一些侷限性。首先,很難處理高維數據或非常大的輸入和輸出集。也可能很難進行特徵提取。
深度學習解決了這些問題。它是機器學習的一種特殊類型。它有助於建立類似人腦的學習算法。深層神經網絡和遞歸神經網絡是一些深層學習結構。深層神經網絡是具有多個隱藏層的神經網絡。遞歸神經網絡利用記憶來處理輸入序列。
神經網絡(neural network)和深度學習(deep learning)的區別
神經網絡是一種類似人腦神經元的系統,它能更快地完成各種計算任務。深度學習是一種特殊類型的機器學習,它模仿人類用來獲取知識的學習方法。神經網絡是實現深度學習的一種方法。另一方面,深度學習是機器學習的一種特殊形式。這就是神經網絡和深度學習的主要區別
總結 - 神經網絡(neural network) vs. 深度學習(deep learning)
神經網絡與深度學習的區別在於,神經網絡的運行方式與人腦中的神經元相似,可以更快地完成各種計算任務,而深度學習是一種特殊的機器學習,模仿人類獲取知識的學習方法。
引用
1.“什麼是深度學習(深度神經網絡)?–定義來自WhatIs.com網站“SearchEnterpriseAI。在這裡提供2。”深度學習,維基百科,維基媒體基金會,2018年5月30日。這裡有3.edurekaIN。什麼是深度學習|深度學習簡化|深度學習教程| Edureka,Edureka!,2017年5月10日。此處提供4.教程點。2018年1月8日,人工神經網絡教程。此處提供
2.“深度學習”,維基百科,維基媒體基金會,2018年5月30日。
3.愛德華肯。什麼是深度學習|深度學習簡化|深度學習教程| Edureka,Edureka!2017年5月10日
4.教程要點。“人工神經網絡積木。”