基础的埋置深度(基础的埋置深度与什么因素有关)

图示基础的埋置深度

第二个重点是深度学习，并遵循之前的“关于机器学习基础知识的讨论”。如前所述，机器学习的本质是找到最佳模型，例如语音识别，该模型通过几种模型将一段语音准确地转换为相应的文本，将图像识别转换为识别结果，然后将Go程序转换为下一步。智能对话系统转变为用户答案。深度学习是机器学习的一大分支。深度学习的概念源于人工神经网络的研究。深度学习的基本结构（即模型）是深度神经网络。当谈到人工神经网络时，我们首先要谈谈感知器。感知器是最简单的人工神经网络和二进制线性分类器。感知器是从生物神经细胞中提取的。神经细胞的结构大致可分为：树突，突触，细胞体和轴突。单个神经细胞可以被视为只有两个状态的机器-兴奋时为“是”，不兴奋时为“否”。神经细胞的状态取决于从其他神经细胞接收到的输入信号量以及突触的强度（抑制或增强）。当信号量的总和超过某个阈值时，细胞体将被激发并产生电脉冲。电脉冲沿着轴突并通过突触传递到其他神经元。为了模拟神经细胞的行为，提出了感知器的相应基本概念，例如体重（突触），偏倚（阈值）和激活功能（细胞体）。将不同的输入及其相应的权重相乘并相加，然后加到偏移值上并发送到激活函数，然后在激活函数之后获得感知器的输出。在人工神经网络中，规定神经元函数只能对输入变量（指向其节点的值）的线性组合的结果执行非线性变换（激活函数）。这里的激活功能可以是功能。前面的“谈论机器学习基础知识”对此进行了描述。该函数的输出值在以下之间：Perceptron还用于指代单层人工神经网络，以将其与多层区分。感知器。感知器无法处理线性不可分问题。什么是线性不可分性？例如，在二维平面上有两种类型的点，它们不能完全由一维线分开；在维空间中有两种类型的点，而二维点不能被由维分隔的超平面完全分隔，这称为线性不可分。感知器（神经元）之间采用不同的连接方法，它们构成不同的网络结构。每个神经元都有自己的权重值和偏移值。权重值和偏移值构成该网络的参数Θ。