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。受到人脑结构的启发，深度学习模型（通常被称为深度神经网络）旨在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来学习越来越复杂的模式。这种能力使深度学习成为人工智能 (AI) 取得重大进展的驱动力，尤其是在计算机视觉 (CV)和自然语言处理 (NLP)等复杂领域。

深度学习的工作原理

深度学习的核心是深度神经网络，它是指在输入层和输出层之间具有多个隐藏层的神经网络。“深度学习”中的“深度”指的就是这个深度。每一层都包含处理单元（神经元），这些单元将由激活函数控制的数学运算应用于它们的输入。在训练期间，网络会接收大量的数据集，并且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。这种调整过程通常由诸如梯度下降之类的优化算法指导，从而最大限度地减少模型的预测与实际真实值之间的差异，如损失函数所定义的那样。这使得网络能够自动发现复杂的模式，而无需进行显式编程。一篇有助于推广现代深度学习的关键历史论文是 2012 年的 AlexNet 论文，该论文在 ImageNet 数据集上取得了最先进的结果。

深度学习与机器学习

虽然深度学习是机器学习的一个子集，但主要的区别在于它们处理数据表示的方式。传统的 ML 方法通常严重依赖于手动 特征工程，领域专家会精心设计从原始数据中提取的特征，以帮助模型做出准确的预测。相比之下，DL 模型执行自动 特征提取。深度网络的分层结构使它们能够直接从数据中学习相关特征。这使得 DL 在处理非结构化数据（如图像、文本和音频）时特别强大，因为在这些情况下，手动特征工程通常是不切实际的。例如，在 图像识别 中，DL 模型可以在其第一层学习识别边缘和纹理，然后在中间层学习识别物体的一部分（如眼睛和鼻子），最后在更深层学习识别整个物体（如面部）。

应用和示例

深度学习处理复杂数据的能力使其在众多行业和应用中得到采用。两个突出的例子包括：

1. 自动驾驶车辆： 自动驾驶汽车在很大程度上依赖于深度学习 (DL) 来实现实时感知。Ultralytics YOLO 模型是一系列最先进的深度学习模型，用于目标检测以识别行人、其他车辆和交通标志。同样，深度学习也用于图像分割，以区分可行驶的路面与其周围环境，这对于安全导航至关重要。请阅读更多关于它在自动驾驶汽车中的人工智能中的使用。
2. 医学影像分析： 在医疗保健领域，深度学习模型通过分析医学扫描来协助放射科医生。卷积神经网络 (CNN)是一种流行的视觉深度学习架构，可以经过训练以高精度检测脑部 MRI 中的肿瘤或 X 射线中的疾病迹象。这可以实现更早的诊断并改善患者的治疗效果，如脑肿瘤检测等应用所示。

工具和框架

各种软件库和平台促进了深度学习模型的开发。流行的开源框架包括：

• PyTorch: 以其灵活性和 Python 优先的方法而闻名（PyTorch 首页）。Ultralytics 模型是使用 PyTorch 构建的。
• TensorFlow: 由Google AI开发，提供了一个全面的生态系统（TensorFlow主页）。
• Keras: 一种高级 API，可以在 TensorFlow 之上运行，以用户友好性著称（Keras 主页）。

诸如 Ultralytics HUB 这样的平台为 训练自定义模型、部署和管理深度学习模型提供了集成环境，特别是对于使用 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、理解性能指标以及利用GPU 加速以实现高效的模型训练等实践。这些复杂系统的开发和部署通常通过 MLOps 实践进行管理。