万字解析！一文带你了解深度学习神经网络基础

程序员一粟

已于 2025-06-18 14:34:42 修改

阅读量513

点赞数 17

CC 4.0 BY-SA版权

文章标签：深度学习神经网络人工智能大模型自然语言处理机器学习语言模型

于 2025-06-18 14:30:19 首次发布

本文链接：https://blog.csdn.net/jennycisp/article/details/148739850

大家好，上篇文章讲了深度学习中经典的神经网络结构–CNN、RNN、LSTM、Transformer，发现很多人处于入门阶段，对神经网络的基本概念和结构不了解，那今天今天我们就来讲讲神经网络基础，解释什么是深度学习

1 神经网络定义

人工神经网络（ANN），又称模拟神经网络（SNN），是机器学习的重要分支，也是深度学习技术的核心基础。其名称中的"神经"源于它对生物神经元信号传递机制的模拟。正如人类从自然界获取灵感进行发明创造（例如受鸟类飞行启发研制飞机），神经网络的设计理念正是借鉴了人脑的工作机制。这种算法通过构建由人工神经元相互连接而成的网络结构，能够自主学习和识别数据中的内在规律。

从学术角度界定，人工神经网络是一种基于生物神经网络结构和功能原理的计算系统。它由分层排列的节点（即人工神经元）构成，通过加权输入信号、执行累加运算并施加非线性激活函数，逐步将原始输入数据转化为多层次的特征表达，最终生成所需的输出结果。

目前，神经网络技术已在多个前沿领域展现出强大的应用价值，包括但不限于计算机视觉中的图像识别、电子商务中的个性化推荐以及跨语言机器翻译等复杂任务场景。

2 深度学习定义

深度学习是训练人工神经网络（尤其是大规模神经网络）的过程，属于机器学习的一个分支。其"深度"体现在神经网络的层级结构上——相比传统机器学习算法只能处理较简单的数据分析，深度学习能够从图像、文本、音频等高维复杂数据中学习更深层次、更抽象的特征表示。

当前，深度学习已成为推动计算机视觉、语音识别、自然语言处理等AI领域突破性进展的核心技术。

**【为初学者整理】**另外我根据自己的入门经历和阅读经验，整理了一份针对机器学习深度学习新手的书单，总共有12本优质书籍！不仅包含了入门前需要掌握的前置知识，还兼顾了python编程语言、深度学习框架、常用第三方库、理论、实战，以及必读的经典论文

如果需要全套书籍的高清电子版和代码

可添加任意一位助理无偿获取

3 深度学习历史

人工神经网络的概念最早可追溯至1944年，但直到近年才获得广泛应用。深度学习的雏形在20世纪50年代就已出现，其真正兴起得益于人工智能应用的普及和企业数据量的爆发式增长。与只能处理有限规模数据的传统机器学习不同，神经网络特别擅长分析海量数据。事实上，深度学习的渊源可以追溯到AI发展的萌芽阶段——早在1943年，Warren McCulloch和Walter Pitts就首次构建了模拟大脑神经元的数学模型，这被视为人工神经网络的起源。

20世纪50年代，弗兰克·罗森布拉特 (Frank Rosenblatt) 开发了感知机，这是一种简单的两层神经网络，可以经过训练来识别模式。然而感知机存在局限性，直到20世纪80年代神经网络才开始得到更广泛的应用。
20世纪80年代，Geoffrey Hinton等人开发了一种新型神经网络，称为反向传播算法，反向传播使神经网络能够学习更复杂的模式，并引发了人们对神经网络的新兴趣。
20世纪90年代，深度学习研究仍在继续，但它仍然是一个相对小众的领域，一直到2000年代初，出现了一些突破，导致人们对深度学习的兴趣重新燃起。
最重要的突破之一是卷积神经网络（CNN）的发展，它是一种专门为图像处理而设计的神经网络，已被用于在各种图像识别任务中取得最先进的结果，例如人脸识别和物体检测。
另一个重要突破是循环神经网络（RNN）的发展。它是一种专门用于处理顺序数据的神经网络，已被用于在各种自然语言处理任务中取得最先进的结果，例如机器翻译和语音识别。
在过去的十年中，深度学习在图像识别，自然语言处理，语音识别和机器翻译等多种任务中取得了重大进展，它现在是人工智能最活跃和最有前途的研究领域之一。

以下是深度学习发展的一些主要里程碑：

1943年：Warren McCulloch和Walter Pitts创建了大脑神经元的数学模型。
1958年：Frank Rosenblatt开发了感知机，这是一种简单的两层神经网络，可以训练来识别模式。
1986年：Geoffrey Hinton等人开发了反向传播算法，该算法允许神经网络学习更复杂的模式。
1998年：Yann LeCun等人。开发了LeNet-5 CNN，在手写数字识别方面取得了最先进的结果。
2006年：杰弗里·辛顿等人开发了深度置信网络，这是一种可以对大量未标记数据进行预训练的神经网络。
2012：亚历克斯·克里热夫斯基等人开发了AlexNet CNN，它在图像分类方面取得了最先进的结果。
2014年：伊利亚·苏茨克弗 (Ilya Sutskever) 等人开发了Transformer，这是一种专为自然语言处理任务而设计的新型神经网络。

4 基础神经网络

单层感知机

感知机是一种让神经元能够从输入数据中自主学习的算法，主要分为两种基本结构：

1）单层感知机——作为人工神经网络（ANN）的最基础形态，仅由输入层和输出层直接相连，不含任何隐藏层；

2）多层感知机——通过引入一个或多个隐藏层，形成了更复杂的网络架构。

（注：这种层级结构的差异直接影响了模型的表达能力，单层感知机只能处理线性可分问题，而多层感知机凭借隐藏层能够学习非线性特征，这也是现代深度学习模型的基础构建模块。）

单层神经网络是只有一层神经元的神经网络，这种类型的网络也称为感知机，它是最简单的神经网络类型，可用于解决简单的问题；该架构由Frank Rosenblatt于1957年开发。

单层神经网络示例

我们从一个预测房价的案例入手。假设我们有一组数据，包含了六栋房子的信息，知道每栋房子的大小（平方米）和对应的价格，这些数据点在图表上用六个红点表示。我们的目标是找到一个函数，能够根据房屋的大小来预测其价格。

如果我们运用线性回归的方法，尝试为这些数据点画一条直线，就能得到一条拟合线（如图所示）。然而，价格不可能是负数，所以我们需要避免使用那些在某些输入下会得出负值的直线。因此，我们选择了一条在坐标左下角处截距为零的直线，这条粗蓝线就是我们最终用来根据房屋大小预测价格的函数。

这个预测房价的函数，其实可以看作是一个非常基础的神经网络。它几乎是神经网络中最简单的形式（如图右所示）。房屋的大小作为神经网络的输入，记作x，它进入神经网络中的一个节点（用小圆圈表示），然后输出预测的价格y。这个小圆圈代表神经网络中的一个单一神经元，它执行的就是我们在左侧图表中看到的线性拟合功能：接收房屋大小作为输入，计算线性函数，并输出估计的价格。

此外，在神经网络中，我们还会遇到一种叫做ReLU（修正线性单元）的函数，如图右上角所示。这个函数的特点是，当输入值小于零时输出为零，大于零时则输出等于输入值，形成了一个“纠正”的效果，这就是它名字的由来。如果你现在还不理解ReLU，没关系，我们后续会详细讲解。这个单神经元神经网络就是一个很小的网络，通过将许多这样的神经元像乐高积木一样堆叠起来，就可以构建出更大、更复杂的神经网络。

多层神经网络

在上面房屋价格预测的例子中，设想不只是根据房屋的面积来预测价格，还有一些其他特征，例如，房屋的卧室数量，你可能会认为家庭大小是影响房价的一个重要因素，对吧？这个房子能否适合三口之家、四口之家或五口之家？实际上，这取决于房屋的大小和卧室数量；然后，你可能了解到了房屋的邮政编码，它可以告诉你该地区的交通便利性，例如是否能轻松步行到超市或学校，或者是否需要开车；此外，邮政编码和家庭收入状况也能反映附近学区质量，图中的小圆圈都可以是一个修正线性单元（ReLU）或其他非线性函数；基于房屋的大小和卧室数量，可以估算家庭大小，根据邮政编码可以评估交通便利性，以及根据邮政编码和家庭收入状况估算学区质量；最后，人们在决定支付房屋价格时，会考虑对他们真正重要的因素，如家庭大小，交通便利性和学区质量，这些都有助于预测房价。

在这个例子里，x包括了这四个输入变量，y则是我们要预测的价格；我们可以通过组合上图中介绍的几个单一神经元或基础预测模型，构建一个更大的神经网络；训练这样的神经网络时，你只需要在实现时给定训练集中多个样本的输入x和输出y，神经网络会自动处理所有中间过程；所以实际上需要实现的是如下具有四个输入的神经网络模型。

输入特征可能是房屋的大小、卧室数、邮政编码和邻里的经济状况，有了这些输入特征后，神经网络的工作就是预测价格y；请注意，网络中的这些圆圈被称为隐藏单元，每个单元都利用了所有四个输入特征；例如，不要单纯将第一个节点定义为家庭大小，也不局限于只依赖特征X1和X2，神经网络自行决定每个节点的作用，并提供全部四个输入特征供其计算，我们称这是输入层，而神经网络中间的层则是密集连接的，每个输入特征都与这些中间的单元相连；神经网络的显著特点是，只要有足够的数据和足够的包含x和y的训练样本，它们就能非常有效地找出从x到y的准确映射函数，这就是一个基础的神经网络；实际上，当你构建自己的神经网络时，你会发现在监督学习中，尤其是像我们刚看到的房价预测这样的任务中，它们非常有用和强大，因为你需要将输入x映射到输出y。