深度学习第一课：神经网络初探【深度学习第一课：神经网络初探】 .pptx

深度学习第一课：神经网络初探

1. 目录 CONTENTS 深度学习与传统差异 生物灵感与数学模型 神经网络层级结构 权重与偏置的意义 课程回顾与展望 01 02 03 04 05

2. 深度学习与传统差异 01

3. 特征提取方式差异 传统机器学习依赖人工设计特征，需领域专家手动提取边缘、纹理等属性，工作量大且依赖经验。深度学习则通过多层网络自动从原始像素或时序信号中学习层级特征，无需人工干预。 深度学习优势总结 深度学习的核心优势在于自动特征学习，模型能够自主发现数据中的复杂模式，无需人工告诉模型看什么，大大提高了模型的泛化能力和适应性。 传统机器学习局限性 传统机器学习在面对复杂数据时，人工设计特征难以捕捉数据中的所有信息，导致模型性能受限。而深度学习能够自动提取更丰富的特征，突破了这一局限。 深度学习为何颠覆传统 01 02 03

4. 传统机器学习流程 传统机器学习中，猫图像识别需要先设计边缘检测算子，再提取纹理直方图，最后送入SVM分类器，整个过程复杂且依赖专家知识。 猫图识别案例对比 深度学习流程 深度学习中，直接将原始像素输入卷积网络，网络逐层自动学习从边缘到纹理、部件再到整体猫的层级特征，无需人工干预，大大简化了流程。

5. 时序预测 在时序预测领域，深度学习可用于股价预测和设备故障预警。某工厂设备温度序列预测中，深度学习模型能够准确预测未来温度变化，为故障预警提供有力支持。 计算机视觉 在计算机视觉领域，深度学习广泛应用于图像分类和目标检测。例如，MNIST手写数字识别任务中，深度学习模型的准确率远超传统方法，展现了强大的性能。 深度学习商业价值 深度学习不仅在学术上取得突破，更在商业领域展现出巨大价值。通过实际案例效果展示，听众可以直观感受到深度学习带来的商业变革。 深度学习的广泛适用性 深度学习适用于多种场景，无论是图像数据还是时序数据，都能通过自动特征学习找到数据中的规律，为不同领域提供解决方案。 深度学习典型场景速览

6. 生物灵感与数学模型 02

7. 生物神经元与人工神经元的映射 生物神经元通过树突接收信号，胞体整合后，轴突输出兴奋或抑制。人工神经元模仿这一过程，输入信号加权求和后，通过激活函数输出，实现了从生物到数学的映射。 从生物神经元到人工单元

8. 线性变换公式 线性变换公式为z=∑wᵢxᵢ+b，其中w是权重，x是输入，b是偏置。权重决定了输入的重要性，偏置用于调整输出的基线。 激活函数的作用 激活函数a=σ(z)引入非线性，解决了线性模型无法拟合非线性数据的问题。通过激活函数，模型能够学习更复杂的模式。 权重与偏置的意义 权重w决定了输入特征对输出的重要性，偏置b则调整了输出的基线。两者共同决定了神经元的输出行为。 线性变换与激活拆解

9. 神经网络层级结构 03

10. 输入层 输入层接收原始数据，如28×28像素的图像展平为784维向量，或10个连续时间步的温度值。输入层不进行计算，仅作为数据入口。 隐藏层 隐藏层是神经网络的核心计算层，通常有1-3层即可满足基础任务。每增加一层，模型可学习更抽象的特征。 输出层 输出层将隐藏层的特征映射为最终结果。分类任务输出类别概率，回归任务输出单一数值。输出层节点数由任务目标决定。 三层结构全景图

11. 输入层的作用 输入层作为数据入口，将原始数据如图像像素或时序数据转换为模型可处理的向量形式。输入层不进行计算，仅传递数据。 输入层：数据入口解析 输入层的维度 输入层的维度必须与原始数据的特征数一致。例如，28×28的图像输入层有784个节点，10个时间步的时序数据输入层有10个节点。

12. 隐藏层是神经网络的核心，负责将输入数据转换为更高级别的特征。每一层隐藏层都能提取更抽象的特征。 隐藏层的功能 在计算机视觉中，第一层隐藏层提取边缘特征，第二层提取纹理特征，第三层提取部件特征。隐藏层的层数越多，提取的特征越抽象。 隐藏层的特征提取 隐藏层的层数和节点数需要根据任务进行调整。通常1-3层隐藏层即可满足基础任务，节点数介于输入层和输出层之间。 隐藏层的层数与节点数 隐藏层的层数和节点数需要平衡。层数过多可能导致过拟合，节点数过少可能导致欠拟合。合理的层数和节点数是模型性能的关键。 隐藏层的平衡 隐藏层：特征加工车间

13. 输出层的作用 输出层将隐藏层提取的特征映射为最终结果。分类任务输出各类概率，回归任务输出单一数值。 01 分类任务的输出层 在分类任务中，输出层使用Softmax函数输出各类概率，概率和为1。例如，MNIST手写数字识别任务输出10个概率。 02 回归任务的输出层 在回归任务中，输出层使用线性函数输出单一数值。例如，温度预测任务输出未来时刻的温度值。 03 输出层：结果呈现窗口

14. 权重与偏置的意义 04

15. 权重的意义 权重w表示输入特征对神经元输出的重要性。权重越大，对应的输入特征对输出的影响越大。 权重的自动调整 权重通过训练自动调整，无需人工指定。例如，在识别数字8时，与8字形边缘对应的像素权重会显著高于背景像素。 权重：特征重要性标尺

16. 偏置的作用 偏置b在输入为0或加权和小幅波动时，决定神经元是否产生非零输出。偏置为模型提供了平移决策边界的能力。 偏置的调节作用 偏置b调整了输出的基线。例如，在MNIST任务中，适当负偏置可以避免模型因亮度整体偏高而误判。 偏置与权重的关系 偏置与权重共同决定了神经元的激活时机。偏置为模型提供了灵活性，使其能够适应不同的输入情况。 01 02 03 偏置：输出基线调节器

17. 课程回顾与展望 05

18. 深度学习的核心优势 深度学习通过自动特征学习颠覆了传统人工设计特征的方式，模型能够自主发现数据中的复杂模式。 神经网络的三层结构 神经网络由输入层、隐藏层和输出层构成。输入层接收数据，隐藏层提取特征，输出层呈现结果。 权重与偏置的作用 权重决定了输入特征的重要性，偏置调整了输出的基线。两者共同决定了神经元的输出行为。 未来学习方向 未来我们将深入学习损失函数、反向传播、卷积网络等进阶主题，探索深度学习的更多可能性。 核心要点与未来路径