然而，神经网络动态有多种类型，其中我们可以重点介绍：
受限玻尔兹曼机（RBM）。
循环神经网络（RNN）。
深度信念网络（DBN）。
卷积神经网络（CNN）。
无论如何，所有这些都与算法有关，算法可分为四个主要部分：对象识别、语音识别、文本处理和图像识别。
这听起来熟悉吗？嗯，可能是的，因为 Facebook 使用它来检测照片中的人脸，而谷歌翻译使用它来处理你发送的另一种语言的文本。
这就是我们今天要讨论的主题，即深度学习，所以如果您对这个话题感兴趣，请您继续阅读。
[Tweet“深度学习是一种基于神经连接网络的技术。”]
群组-427320753
什么是深度学习？
深度学习是我们在引言中讲的这种新算法的技术模型，它基于类似人类大脑中神经元之间的连接。
这一切始于这样一个事实：机器试图模仿世界上最好的机器：大脑；它们遵循线性学习算法，而深度学习变得越来越复杂。
这意味着机器世界的一场革命，因为随着深度学习，神经元的层次变得越来越复杂。
简而言之，深度学习就是从例子中学习，这对人类的大脑来说是自然的。
然而，通过深度学习，计算机模型可以在看到图像、文本或声音后学会执行直接分类活动。
这些模型所达到的结果精度有时甚至超过人脑的性能。
因此，总而言之，正如我们之前所解释的那样，这些模型是使用大量标记数据和包含各个层的神经网络动态进行训练的。
但这一切有什么好处呢？
[Tweet“通过深度学习，计算机模型可以在看到图像、文本或声音后学会直接执行分类活动。”]
深度学习有何益处？
深度学习的主要优势在于其操作的精确度，我们之前提到过，它甚至超越了人类，这令人难以置信。
如此精度，所得结果令人印象深刻，完全满足用户满意度和期望。
这有利于最大限度地减少一些任务并帮助对用户安全至关重要的应用程序。
另一方面，我们给你留下两个很好的理由来认为深度学习对于这个新技术时代是可靠和重要的：
深度学习需要大量标记数据，例如，开发自动驾驶汽车需要数百万张图像和数千小时的视频片段。
需要强大的计算能力，因此高性能 GPU 具有对深度学习有利的并行动态。通过将其与集群或云计算相结合，可以减少训练深度学习网络的时间。
深度学习和机器学习的区别
许多人可能会将深度学习与机器学习混淆，但事实是它们并不相同，并且具有我们将在下面看到的不同特征和功能。
在机器学习中，需要使用分类器手动选择各个方面来进行分类，而在深度学习中，这些过程是自动的。
在机器学习工作流程中，它从手动提取图像中最相关的方面开始，但是对于深度学习工作流程，这些相关方面是直接从这些图像中提取的。
深度学习是一种完整的学习，也就是说，数据是原始的，机器必须自行或自动学习。
深度学习算法随着数据而扩展，但浅层学习需要收敛。后者表示机器学习方法在达到一定的性能水平时会达到一个平台期，例如在向神经网络添加更多训练数据时。
[Tweet“深度学习是一种完整的学习，也就是说，数据是原始的，机器必须自动学习。”]
所有使用算法的机器都与神经网络一起工作，但深度学习更进 危地马拉电报数据 一步，与“深度神经网络”一起工作。
这是因为该技术模型的运行涉及许多隐藏层或隐蔽层。
这个数字估计超过一百五十层，而这正是其操作复杂性所在。
深度学习的工作方式是使用标记的数据集和神经网络中的动态来训练模型，在神经网络中模型可以从数据中学习，而无需人工操作来实现这一点。
另一方面，最流行的深度神经网络类型之一是卷积神经网络（CNN 或 ConvNet）。
其工作方式是，CNN 将学习到的方面与输入信息进行卷积，并使用二维卷积层，这使得这种动态有利于处理图像等二维数据。
另一方面，这些 CNN 消除了手动特征提取的需要，因此需要识别 2D 材料分类中使用的方面。
因此，CNN 直接从图像中提取最相关的特征。
这些特征之前没有被训练过，因为它们是在用一组图像训练网络时学习到的。
这使得深度学习模型对于计算机视觉等任务的精确性或针对性，就像对事物进行分类一样。