快说下什么是深度学习的监督学习？
深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。训练集只有输入没有输出是无监督，包括所有的聚类算法，比如k-meansPCAgmm等。
深度学习只是指结构有深度的算法，可以无监督可以有监督。
谷歌人工智能写作项目：神经网络伪原创
深度神经网络是什么意思？
深度神经网络是机器学习(ML,MachineLearning)领域中一种技术文案狗。在监督学习中，以前的多层神经网络的问题是容易陷入局部极值点。
如果训练样本足够充分覆盖未来的样本，那么学到的多层权重可以很好的用来预测新的测试样本。
但是很多任务难以得到足够多的标记样本，在这种情况下，简单的模型，比如线性回归或者决策树往往能得到比多层神经网络更好的结果（更好的泛化性，更差的训练误差）。
扩展资料：非监督学习中，以往没有有效的方法构造多层网络。多层神经网络的顶层是底层特征的高级表示，比如底层是像素点，上一层的结点可能表示横线，三角。而顶层可能有一个结点表示人脸。
一个成功的算法应该能让生成的顶层特征最大化的代表底层的样例。如果对所有层同时训练，时间复杂度会太高；如果每次训练一层，偏差就会逐层传递。这会面临跟上面监督学习中相反的问题，会严重欠拟合。
什么是深度学习？
深度学习，是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同。
例如卷积神经网络就是一种深度的监督学习下的机器学习模型，而深度置信网就是一种无监督学习下的机器学习模型。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
实施深度学习的策略有哪些？
实施深度学习的策略有：1、自下上升的非监督学习就是从底层开始，一层一层地往顶层训练。
采用无标定数据（有标定数据也可）分层训练各层参数，这一步可以看作是一个无监督训练过程，这也是和传统神经网络区别最大的部分，可以看作是特征学习过程。
具体的，先用无标定数据训练第一层，训练时先学习第一层的参数，这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由于模型容量的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到n-l层后，将n-l层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数。
2、自顶向下的监督学习就是通过带标签的数据去训练，误差自顶向下传输，对网络进行微调。基于第一步得到的各层参数进一步优调整个多层模型的参数，这一步是一个有监督训练过程。
第一步类似神经网络的随机初始化初值过程，由于第一步不是随机初始化，而是通过学习输入数据的结构得到的，因而这个初值更接近全局最优，从而能够取得更好的效果。
所以深度学习的良好效果在很大程度上归功于第一步的特征学习的过程。
扩展资料：区别于传统的浅层学习，深度学习的不同在于：(1)强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；(2)明确了特征学习的重要性。
也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据丰富的内在信息。
通过设计建立适量的神经元计算节点和多层运算层次结构，选择合适的输人层和输出层，通过网络的学习和调优，建立起从输入到输出的函数关系，虽然不能100%找到输入与输出的函数关系，但是可以尽可能的逼近现实的关联关系。
使用训练成功的网络模型，就可以实现我们对复杂事务处理的自动化要求。参考资料：百度百科-深度学习（人工神经网络的研究的概念）
深度神经网络是如何训练的？
Coursera的Ng机器学习，UFLDL都看过。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何求解，但是即使不知道完成作业也不是问题，只要照着公式写就行。
反正我当时看的时候心里并没能比较清楚的明白。我觉得想了解深度学习UFLDL教程-Ufldl是不错的。有习题，做完的话确实会对深度学习有更加深刻的理解，但是总还不是很清晰。
后来看了LiFeiFei的StanfordUniversityCS231n:ConvolutionalNeuralNetworksforVisualRecognition，我的感觉是对CNN的理解有了很大的提升。
沉下心来推推公式，多思考，明白了反向传播本质上是链式法则(虽然之前也知道，但是当时还是理解的迷迷糊糊的)。所有的梯度其实都是对最终的loss进行求导得到的，也就是标量对矩阵or向量的求导。
当然同时也学到了许多其他的关于cnn的。并且建议你不仅要完成练习，最好能自己也写一个cnn，这个过程可能会让你学习到许多更加细节和可能忽略的东西。
这样的网络可以使用中间层构建出多层的抽象，正如我们在布尔线路中做的那样。
例如，如果我们在进行视觉模式识别，那么在第一层的神经元可能学会识别边，在第二层的神经元可以在边的基础上学会识别出更加复杂的形状，例如三角形或者矩形。第三层将能够识别更加复杂的形状。依此类推。
这些多层的抽象看起来能够赋予深度网络一种学习解决复杂模式识别问题的能力。然后，正如线路的示例中看到的那样，存在着理论上的研究结果告诉我们深度网络在本质上比浅层网络更加强大。
何为人工智能、机器学习和深度学习？三者间的关系又是如何？
随着计算机的快速发展，人工智能越来越火。我们每个人都时不时的听到人工智能，但是人工智能到底是什么？它和机器学习和深度学习到底是什么关系？
一、人工智能（ArtificialIntelligence）人工智能（ArtificialIntelligence），英文缩写为AI。是计算机科学的一个分支。
人工智能是对人的意识、思维的信息过程的模拟。人工智能不是一个系统，它可以在系统内部运行，使机器具有执行任务的逻辑能力。人工智能，旨在创造出能像人类一样工作和反应的智能机器。
二、机器学习（machinelearning）——一种实现人工智能的方法机器学习（machinelearning），机器学习可以被定义为人工智能的一个分支或人工智能的具体应用。
在机器学习中，机器具有独立学习的能力，不需要显式编程。这可以让应用程序根据实时场景中的数据进行自我调整。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。
与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
三、深度学习（deeplearning）——一种实现机器学习的技术一种基于神经网络的学习方法。深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。
为了更好理解，笔者画了下图来表述它们之间关系。人工智能包括了机器学习和深度学习，机器学习包括了深度学习，他们是子类和父类的关系。
深度学习是什么？
深度学习，是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。
同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分．不同的学习框架下建立的学习模型很是不同。
例如卷积神经网络就是一种深度的监督学习下的机器学习模型，而深度置信网就是一种无监督学习下的机器学习模型。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
什么是深度学习？如何保持深度学习？
。
现在的科技发展速度非常快，对于智能设备将是一个发展方向，而其实我们以为的智能设备并不具备我们这样的学习能力，他们是通过无数图片，视频去发现其中的学习秘密，然后慢慢发展成为智能化的，其中大家最熟知的就是深度学习这个词了，但是很多人不知道什么是深度学习？
如何保持深度学习？其实简单来说就是电脑芯片的深度挖掘，可以让芯片处于长时间的工作达到保持深度学习。
首先深度学习这个词并不是用于我们人类上的，如果让人类深度学习估计会崩溃，这是非常巨大的工程，我们现在把机械的芯片当做一个有生命体的存在，但是他们的灵智非常差，他们想要学习达到高水平，就必须每时每刻保持着工作去发现，而这时候就需要从外界给他们无数的例子，他们才能够掌握其中的秘密，这就是现在的人工智能识别图片的功能来源。
他们一天看无数个图片，才能够具有识别的功能，而这其实就非常像挖矿，需要芯片不断长时间去工作，一直挖掘着一大坐山一样的存在，我们人类可以休息，但是他们不行，他们是机械，想要很快地进展就必须每时每刻地学习，这就是所谓的深度学习了。
这里其实我们就可以看做平时挖矿人员，用显卡去挖矿，不是一张显卡就能搞定的，需要弄很多显卡成一个工作室，来同时不间断挖矿，但是这也是非常消耗芯片寿命的，这样的显卡一般寿命都无法保证，说个题外话，也不建议懂电脑的人去买矿卡，虽然便宜但是没有任何保证，说不定哪天打游戏就突然挂了，这是没有任何维修的，不要贪图这种小便宜。
学习深度学习如何下手
其实对于初学者来说，不建议刚开始就学算法，因为脱离业务和数据的算法讨论是毫无意义的，刚开始应该先打好编程和数学基础。
深度学习看似难度大，按照正确的学习路径学习，可以大大降低学习门槛，同时激发学习的乐趣。
简单的说，学习路线大概如下：先学编程、数学和深度学习知识，然后动手实践撸代码，有机会的话多参加数据科学比赛，多做项目练习实操能力。众所周知，深度学习是一个将理论算法与计算机工程技术紧密结合的领域。
对于零基础小白，想往深度学习发展，要掌握哪些数学知识呢？首先是线性代数。在神经网络中大量的计算都是矩阵乘法，这就需要用到线性代数的知识了。
计算向量的余弦相似度也要用到内积运算，矩阵的各种分解办法也出现在主成分分析和奇异值分解中。其次是概率论与统计学。
广义的说，机器学习的核心是统计推断，机器学习的巨头不少都是统计学大师，如迈克尔乔丹，杨乐坤，辛顿等，另外机器学习中大量用到贝叶斯公式，隐马尔科夫模型等等。再次就是微积分。
这是机器学习中的核心知识之一，无论是梯度下降法中的求梯度还是反向传播中的误差传递的推导都需要用到微积分。
我们知道，深度学习是一个将理论算法与计算机工程技术紧密结合的领域，需要扎实的理论基础来帮助你分析数据，同时需要工程能力去开发模型和部署服务。
所以只有编程技能、机器学习知识、数学三个方面共同发展，才能取得更好的成果。
按我们的学习经验，从一个数据源开始——即使是用最传统、已经应用多年的机器学习算法，先完整地走完机器学习的整个工作流程，不断尝试各种算法深挖这些数据的价值，在运用过程中把数据、特征和算法搞透，真正积累出项目经验，才能更快、更靠谱的掌握深度学习技术。