PyTorch 教程-深度学习

深度学习是一组用于机器学习的算法。它是基于人工神经网络的机器学习方法的一部分。学习可以是监督的、无监督的或半监督的。

深度学习架构，即深度神经网络、循环神经网络和卷积神经网络已应用于自然语言处理、计算机视觉、语音识别、音频识别、社交网络过滤、机器翻译、药物设计、生物信息学、医学图像分析、材料检测和棋盘游戏程序等领域，在某些情况下产生的结果优于或可与人类专家相媲美。

深度学习应用于：

神经网络和深度学习神经网络

人工神经网络或神经网络是模仿人脑的。人类有思维和在特定情境中执行任务的能力，但机器如何做到这一点呢？为此，设计了一种人工大脑，称为神经网络。正如人脑有神经元传递信息一样，神经网络有节点来执行这个任务。节点是数学函数。

神经网络基于生物神经网络的结构和功能。神经网络本身根据输入和输出进行更改或学习。通过网络流动的信息影响人工神经网络的结构，因为它具有学习和改变的属性。

深度学习神经网络是神经网络的高级形式。与简单的神经网络不同，深度学习神经网络具有多个隐藏层。深度学习神经网络获得更复杂的数据集，以便您的模型能够学习。

序号	优势	描述
1.	在整个网络中存储信息	在传统编程中，信息存储在整个网络上，而不是在数据库上。如果在一个地方丢失了一些信息，它并不妨碍网络的正常运行。
2.	使用不完整的知识工作	当我们的神经网络经过训练时，数据可以产生输出，无论是完整信息还是不完整信息。在这里，性能损失取决于缺失信息的重要性。
3.	分布式记忆	为了训练神经网络，有必要确定示例，并通过显示这些示例来训练它以获得所需的输出。如果事件不能显示给网络，网络可能会产生错误的输出。
4.	制定机器学习（ML）	神经网络具有使机器学习的能力。神经网络通过对类似事件进行评论学习事件并做出决策。
5.	容错特性	如果一个或多个单元中存在错误，不会阻止它生成输出，这一特性使其具有容错性。
6.	并行处理	由于其数值强度质量，神经网络可以同时执行多个作业。

序号	缺点	描述
1.	硬件依赖	神经网络需要具有并行处理能力的处理器，根据其结构。由于这个原因，它的实现依赖于设备。
2.	网络的不可解释行为	这是神经网络最重要的问题之一。当它产生探测解决方案时，它不提供任何关于为什么以及如何的线索。
3.	决定适当的网络结构	为了确定神经网络的结构，没有特定的规则可用。通过经验、试验和错误，可以得到适当的网络结构。
4.	在向网络显示问题方面存在困难	神经网络使用数字信息工作，因此在将问题引入神经网络之前，必须将问题转化为数字值。因此，向网络显示问题是困难的。