这篇博客是“生成型人工智能初学者”系列的一部分，我们在这里一步一步地学习生成型人工智能的基础知识。
为了便于理解，我将整个系列划分为几个小部分。每篇博客的学习时间最多为15-20分钟。完成这个系列后，你将对生成型人工智能的基本概念及其各个方面有清晰的认识。
第1部分 —— 人工智能简介
第2部分 —— 理解机器学习
第3部分 —— 深度学习：生成型人工智能进步的基本支柱【当前博客】
第4部分 —— 生成型人工智能简介
第5部分 —— 什么是大型语言模型（LLM）？
第6部分 —— 提示工程：与AI沟通的艺术
第7部分 —— 生成型人工智能的伦理考虑
第8部分 —— 生成型人工智能的挑战、局限性和未来趋势【即将发布】
这是该系列的第三篇博客，我们将在这里探索深度学习。
旁注：你可以订阅我的博客，当我发布系列中的下一篇博客时，你将收到邮件通知。
什么是深度学习？机器能像人类（人脑）那样学习吗？——这是深度学习创新背后的想法。
深度学习是机器学习（机器学习又是人工智能的子集）的子集。它的核心是基于人工神经网络（ANN），这是一种受人类大脑结构和功能启发的计算模型。
听起来有点复杂？让我们用通俗的话来简化它！
首先，让我们理解一些重要概念。
人类大脑中的生物神经网络神经元是人脑中最基本的细胞。人脑有数十亿个神经元，它们相互交互和通信，形成了神经网络。
这些神经元接收许多输入，从我们看到的和听到的，到我们的感受，以及之间的一切，然后向其他神经元发送信息，反过来，这些神经元也会做出反应。工作中的神经网络使人类能够思考，更重要的是，能够学习。
人工神经网络（ANN）人工神经网络是基于人类大脑中的生物神经网络设计的计算网络。
人类大脑中有互相连接的神经元。类似地，人工神经网络也有相互连接的神经元，这些神经元被称为节点。
让我们尝试简化ANN的概念！
想象制作一个由不同形状和大小的管道组成的大型3D结构。每个管道都可以连接到许多其他管道，并且有一个可以开启或关闭的开关。这就为你提供了许多连接管道的方式，听起来有点复杂，对吗？
现在，让我们将这种管道结构连接到一个水龙头上。不同大小的管道让水以不同的速度流动。如果我们关闭开关，水就不会流动。
水代表穿过大脑的数据，管道代表大脑的部分，即神经元。
人工神经网络的架构
人工神经网络主要由三层构成 —— 输入层、输出层和隐藏层。
想象一个人工神经网络就像一个有三层的三明治。
第一层，称为输入层，代表下面的面包片。它接收信息。
第二层，称为隐藏层，代表中间美味的夹层。它进行思考和解决问题。
第三层，称为输出层，代表上面的面包片。它给出最终结果。
简而言之：
输入层
• 这是信息进入人工神经网络的地方。
• 这是起点，网络接收它需要处理的数据。
输出层
• 这是网络给出最终结果或答案的地方。
• 这是终点，网络告诉我们它学到了什么或做出了什么决定。
隐藏层
• 这些层位于输入层和输出层之间。
• 这些层中的神经元处理信息，帮助网络学习模式并做出决策。
人工神经网络如何工作？
想象一群孩子试图通过分享他们的观察来识别熊猫。
• 每个孩子专注于特定特征，如黑白皮毛、圆脸和独特的眼睛。
• 单独来说，他们可能不完全理解熊猫长什么样，
• 但通过结合他们的见解，他们创造了对熊猫的集体理解。
在人工神经网络的世界里，这些孩子代表神经元。
• 在人工神经网络中，个别的“
神经元”（类似于我们例子中的孩子）专门识别特定方面。
• 综合起来，它们有助于识别整体概念（熊猫）。
• 网络通过重复暴露来完善它的理解，类似于孩子们随时间提升他们对熊猫识别技能。
输入层（观察）：
每个孩子观察一个方面，比如毛色或脸型，形成我们网络的输入层。
隐藏层（处理）：
孩子们将他们的观察结果相互传递，模仿神经网络的隐藏层。当他们分享信息时，他们共同建立了对熊猫特征的更全面理解。
输出层（识别）：
最后，他们通过结合所有细节得出结论。如果大多数人同意观察到的特征与熊猫的特征匹配，他们就输出“熊猫”。这个输出层对应于网络的最终决策。
评分方法：
为了完善他们的识别技能，孩子们会跟踪他们的准确性。
• 如果他们正确识别出熊猫，他们会得到积分；
• 否则，他们会从错误中学习。
• 类似地，在神经网络中，评分方法有助于调整网络的参数，随着时间提高准确性。
这种团队合作展示了人工神经网络如何逐层处理信息，从各种特征中学习，并通过评分机制完善它们的理解。
深度神经网络深度神经网络（DNN）是一种人工神经网络（ANN），在输入层和输出层之间有多个层。
这里的“深度”意味着它在输入和输出之间有多个层，使其能够学习复杂的模式。
深度学习的重要点
现在，让我们总结一些关于深度学习的重要点！
机器学习的子集
深度学习是机器学习的子集，而机器学习又是人工智能的子集。
受大脑启发
深度学习基于人工神经网络，这是受我们大脑工作方式启发的。
人工神经网络（ANN）
ANN是一种计算网络，模仿人类大脑中的生物神经网络。
深度神经网络
形容词“深度”指的是网络中使用了多层。它使用了多个隐藏层的深度神经网络。
这些层处理信息，使系统能够学习复杂的模式。
从数据中学习
系统通过展示大量示例并根据预测与正确答案之间的差异调整神经元之间的连接来学习。
处理复杂问题
深度学习特别适用于解决传统方法可能难以应对的复杂问题。
机器学习与深度学习的区别
让我们分解机器学习和深度学习之间的主要区别：
总结
在这篇博客中，我们了解了深度学习是什么以及它是如何工作的。深度学习，正如其名，因其多层神经网络而得名，类似于具有多层思考的人类大脑神经网络，每个层次都有助于更深入地理解它处理的信息。
从识别图像和理解语音，到驱动语音助手和自动驾驶车辆，深度学习已被证明对解决许多复杂任务大有裨益。
