PyTorch神经网络和深度学习基本介绍

本文概述

深度学习是机器学习中使用的一组算法。它是基于人工神经网络的机器学习方法的一部分。学习可以是有监督的, 无监督的或半监督的。

深度学习架构(即深度神经网络, 递归神经网络和卷积神经网络)已应用于自然语言处理, 计算机视觉, 语音识别, 音频识别, 社交网络过滤, 机器翻译, 药物设计, 生物信息学, 医学图像分析, 材料检查和棋盘游戏程序, 在某些情况下它们所产生的结果优于人类专家, 甚至可以与人类专家媲美。

深度学习用于

人工神经网络或神经网络是根据人脑建模的。人类有思想去思考并在特定情况下执行任务, 但是机器如何做到这一点呢？为此, 设计了一个人工大脑, 称为神经网络。由于人脑具有用于传递信息的神经元, 因此类似地, 神经网络也具有执行该任务的节点。节点是数学函数。

神经网络基于生物神经网络的结构和功能。神经网络本身会根据输入和输出进行更改或学习。流经网络的信息由于其学习和变化特性而影响人工神经网络的结构。

深度学习神经网络是神经网络的高级形式。与简单的神经网络不同, 深度学习神经网络具有多个隐藏层。深度学习神经网络将获取更复杂的数据集, 因为你的模型可以学习。深度学习神经网络是

S.No	Advantages	Description
1.	在整个网络中存储信息。	在传统编程中, 信息存储在整个网络中, 而不是存储在数据库中。如果某处丢失了某些信息, 则不会阻止网络正常运行。
2.	用不完整的知识工作	当我们的人工神经网络训练后。数据可能会产生完整信息或不完整信息的输出。在此, 丢失性能取决于丢失信息的重要性。
3.	分布式内存	要训练ANN, 有必要确定示例, 并通过显示这些示例根据所需的输出对其进行训练。如果无法向网络显示事件, 则网络可能产生错误的输出。
4.	制作ML(机器学习)的能力	ANN具有使机器学习的能力。 ANN通过评论类似事件来学习事件并做出决策。
5.	容错功能	如果一个或多个单元中有损坏, 则不能阻止其生成输出, 并且此功能使其具有容错能力。
6.	并行处理	ANN的数字强度质量可以同时执行一项以上的工作。

S.No	Disadvantages	Description
1.	硬件依赖性	Ann要求处理器根据其结构具有并行处理能力。由于这个原因, 设备的实现是依赖的。
2.	网络无法解释的行为	这是人工神经网络最重要的问题之一。它没有提供任何有关何时何地以及何时产生探测解决方案的线索。
3.	确定适当的网络结构	对于确定神经网络的结构, 没有可用的特定规则。借助经验, 尝试和错误, 可以实现适当的网络结构。
4.	难以向网络显示问题	ANN处理数字信息, 以便在将问题引入ANN之前将其转换为数值。因此, 很难向网络显示问题。