深度学习 (DL)

深度学习（DL）是机器学习（ML）的一个专门子领域，它使用多层神经网络从海量数据中学习。受人脑结构的启发，深度学习模型（通常称为深度神经网络）被设计为自动学习数据的分层表示。这意味着初始层学习简单的特征，随后的层结合这些特征学习越来越复杂的模式。这种能力使深度神经网络成为人工智能（AI）取得重大进展的推动力，尤其是在计算机视觉（CV）和自然语言处理（NLP）等复杂领域。

深度学习如何工作

深度学习的核心是深度神经网络，即在输入层和输出层之间有多个隐藏层的神经网络。深度学习中的 "深度 "指的就是这种深度。每一层都包含处理单元（神经元），这些处理单元在激活函数的控制下对其输入进行数学运算。在训练过程中，网络会收到大量数据集，然后使用一种称为反向传播的算法来调整网络的内部参数或权重。这一调整过程通常由梯度下降等优化算法引导，最大限度地减小模型预测值与实际地面真实值（由损失函数定义）之间的差异。这样，网络就能自动发现错综复杂的模式，而无需进行明确的编程。2012 年发表的AlexNet 论文是帮助普及现代 DL 的一篇重要历史性论文，该论文在ImageNet数据集上取得了最先进的成果。

深度学习与机器学习机器学习

虽然深度学习是机器学习的一个子集，但它们的主要区别在于数据表示方法。传统的机器学习方法通常严重依赖人工特征工程，即领域专家从原始数据中精心设计特征，以帮助模型做出准确的预测。相比之下，深度学习模型则是自动提取特征。深度网络的分层结构允许它们直接从数据中学习相关特征。这使得深度网络在处理图像、文本和音频等非结构化数据时尤为强大，而在这些数据中，人工特征工程往往是不切实际的。例如，在图像识别中，深度网络模型可以在第一层学习识别边缘和纹理，然后在中间层识别眼睛和鼻子等部分物体，最后在更深层识别人脸等整个物体。

应用与实例

深度学习处理复杂数据的能力使其被众多行业和应用所采用。两个突出的例子包括

1. 自动驾驶汽车：自动驾驶汽车在很大程度上依赖 DL 进行实时感知。Ultralytics YOLO模型是最先进的 DL 模型系列，用于物体检测，以识别行人、其他车辆和交通标志。同样，DL 还可用于图像分割，将可行驶的路面与周围环境区分开来，这对安全导航至关重要。了解更多关于人工智能在自动驾驶汽车中的应用。
2. 医学图像分析：在医疗保健领域，DL 模型可协助放射科医生分析医学扫描图像。卷积神经网络（CNN）是一种用于视觉的流行 DL 架构，经过训练后可高精度地检测出异常情况，如脑部核磁共振成像中的肿瘤或 X 射线中的疾病征兆。正如脑肿瘤检测等应用所显示的那样，这可以提早诊断并改善患者的治疗效果。

工具和框架

各种软件库和平台为开发 DL 模型提供了便利。流行的开源框架包括

• PyTorch以其灵活性和 Python-first 方法而著称（PyTorch 主页）。Ultralytics 模型使用 PyTorch 构建。
• TensorFlow：由Google AI 开发，提供全面的生态系统（TensorFlow 主页）。
• Keras：可在 TensorFlow 上运行的高级 API，以用户友好性著称（Keras 主页）。

Ultralytics HUB等平台为训练自定义模型、部署和管理 DL 模型提供了集成环境，特别是针对使用YOLO11 等模型的计算机视觉任务。有效的开发通常涉及严格的超参数调整、了解性能指标以及利用GPU 加速实现高效模型训练等实践。这些复杂系统的开发和部署通常通过MLOps实践进行管理。