深度学习 (DL)

深度学习（DL）是机器学习（ML）的一个变革性子集。 深度学习（DL）是机器学习（ML）的一个变革性子集，它能让计算机 深度学习（DL）是机器学习（ML）的变革性子集，它能让计算机从经验中学习，并根据概念的层次结构来理解世界。受人类大脑生物 受人脑生物结构的启发，深度学习利用复杂的多层架构，即神经网络（NN 神经网络（NN）来处理大量数据。 数据。传统算法通常需要人工干预来定义规则，而 DL 模型则不同，它能自动 进行特征提取，识别 复杂的模式，从图像中简单的边缘到文本中复杂的语义。这种能力使 DL 成为人工智能（AI）领域许多现代突破背后的引擎。 人工智能（AI）领域许多现代突破背后的引擎、 特别是在 计算机视觉 (CV)和 自然语言处理（NLP）等领域。

深度学习的工作原理

深度学习中的 "深度 "指的是神经网络中隐藏层的数量。简单的 网络可能只有一到两层，而深度模型可能有几十甚至上百层。每一层由节点或 神经元，它们使用 模型权重和 激活函数（如 ReLU 或 Sigmoid）来处理输入数据。 在训练阶段，模型会接触到 标注数据集，并 调整其内部参数，使误差最小化。

这种调整是通过一个名为 反向传播，计算损失函数的梯度。 损失函数。一种 优化算法，通常是 梯度下降，然后更新权重以提高准确性。 提高准确性。经过多次迭代或历时 网络学会高精度地将输入映射到输出，从而有效地从训练数据中 "学习"。 训练数据中 "学习"。

深度学习与机器学习

虽然 DL 是 ML 的一部分，但两者在处理数据的方法上有很大不同。传统的 ML 方法通常依赖 人工特征工程，领域 在这种情况下，领域专家必须明确选择和格式化模型应分析的特征。例如，在 图像识别中，专家可能会编写代码来 detect 边缘或角落。

相比之下，深度学习模型可以自动学习这些特征。A 卷积神经网络（CNN）是一种常见的深度学习架构，它可以在第一层学习detect 边缘，在第二层学习detect 形状，在更深的层学习detect 可识别的物体，如汽车或人脸。 物体（如汽车或人脸）。这样就不需要人工特征提取，DL 可以有效地扩展大数据。

实际应用

深度学习的多功能性使其被众多行业所采用。

1. 自动驾驶汽车： 自动驾驶汽车依靠 DL 实现实时感知。模型如 Ultralytics YOLO11等模型用于 物体检测，即时识别行人、车辆和交通信号、 车辆和交通信号。该应用有助于为安全导航做出关键决策，是汽车人工智能的核心组成部分。 这是汽车人工智能的核心组成部分。
2. 医学图像分析： 在医疗保健领域，DL 通过高灵敏度的医学扫描分析为医生提供帮助。算法可以帮助 肿瘤检测 或识别眼部扫描中的糖尿病视网膜病变，其效果通常可媲美或超越人类。更多 详情，请参阅 DL 如何改变 人工智能在医疗保健领域的应用。

利用Ultralytics实施

使用现代程序库可以直接实现用于推理的深度学习模型。下面是一个 使用预训练的YOLO11 模型detect 图像中的物体。

from ultralytics import YOLO

# Load a pretrained YOLO11 model (a deep learning architecture)
model = YOLO("yolo11n.pt")

# Run inference on a source image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the detection results
results[0].show()

工具和生态系统

开发 DL 模型需要强大的软件框架和硬件。

• 框架：最流行的开源库有 PyTorch和 TensorFlowGoogle创建。这些平台提供了 设计和训练神经网络的构件。
• 硬件训练深度网络涉及繁重的矩阵计算，这需要使用 GPU硬件制造商 如 NVIDIA等厂商的硬件是高效处理的标准配置。
• 平台：即将推出的Ultralytics 平台将为管理整个 DL 生命周期提供一个全面的环境。 数据集注释到 数据集注释到 模型部署，为开发人员和企业简化工作流程。 开发人员和企业的工作流程。

要想更广泛地了解该领域，可参考以下资源 麻省理工学院深度学习文档和 IBM 的人工智能指南等资源提供了极好的进一步 阅读。