深度学习

人工神经网络(ANN)是一个高效的计算系统，其核心主题是从生物神经网络的类比中借鉴的。 神经网络是机器学习的一种模型。 在二十世纪八十年代中期和九十年代初期，神经网络中有很多重要的架构改进。 在本章中，您将学习更多关于深度学习的知识，这是AI的一种方法。

深度学习是作为该领域的一个重要竞争者，从十年来爆炸性的计算增长中浮现出来的。 因此，深度学习是一种特殊的机器学习，其算法受人脑结构和功能的启发。

机器学习 VS 深度学习

深度学习是目前最强大的机器学习技术。 这是非常强大的，因为他们学习如何解决问题的同时代表问题的最佳方式。下面给出了深度学习和机器学习的比较 -

数据依赖性
第一点不同是基于DL和ML在数据规模增加时的性能。当数据量很大时，深度学习算法表现非常好。

机器依赖性
深度学习算法需要高端机器才能完美运行。 另一方面，机器学习算法也可以用于低端机器。

特征提取
深度学习算法可以提取高级功能，并尝试从相同的方面学习。 另一方面，专家需要识别机器学习提取的大部分特征。

执行时间
执行时间取决于算法中使用的众多参数。 深度学习比机器学习算法具有更多参数。 因此，DL算法的执行时间，特别是训练时间，远远超过ML算法。 但是DL算法的测试时间少于ML算法。

解决问题的方法
深度学习解决了端到端的问题，而机器学习使用传统的解决问题的方法，即将问题分解成多个部分。

卷积神经网络(CNN)

卷积神经网络与普通神经网络相同，因为它们也由具有可学习的权重和偏差的神经元组成。 普通的神经网络忽略了输入数据的结构，所有的数据在送入网络之前都被转换为一维数组。 该过程适合常规数据，但是如果数据包含图像，则该过程可能很麻烦。

CNN很容易解决这个问题。 它在处理图像时考虑了图像的二维结构，这使得它们可以提取特定于图像的属性。 这样，CNN的主要目标就是从输入层中的原始图像数据到输出层中的正确类。 普通神经网络和CNN之间唯一的区别在于处理输入数据和图层类型。

CNN的体系结构概述

在架构上，普通的神经网络接收输入并通过一系列隐藏层转换它。 在神经元的帮助下，每层都连接到另一层。 普通神经网络的主要缺点是它们不能很好地扩展到完整的图像。

CNN的体系结构具有三维排列的神经元，称为宽度，高度和深度。 当前图层中的每个神经元都连接到前一图层的一小部分输出。 它类似于在输入图像上叠加一个`