【HCIA- AI（正课）】2.1 深度学习基础

神经网络基础介绍

深度学习基础

• 前期内容复习与知识点补充

  • 复习内容梳理
    • 神经网络基础公式：单神经元信号拟合公式为 Y = WX + B，多神经元叠加可统一为 W_iX_i 形式，隐含项 X0 固定为1对应偏置累加。
    • 激活函数运行规则：信号传递前需标准化缩放至 0-1 区间，以 0.5 为阈值判断是否向下传递，是神经网络信号传递的核心规则。
    • 人工智能分类体系：按技术路径分为有监督、无监督、半监督、自监督学习；按网络结构分为前馈、反馈、卷积等多类，包含 CNN、GNN、AE 等典型算法。
  • 课程资料说明
    • 复习资料发放：讲师已将汇总当日知识点的课堂要点思维导图上传至课程群，学员可直接使用该资料开展复习。
    • 知识点补充规则：后续讲师将以思维导图形式补充零散知识点，无需学员自行整理汇总，按需查阅即可。

• 神经网络核心逻辑与原理解析

  • 神经网络应用必要性：验证码、手写数字识别等存在大量随机干扰项的场景，无法通过枚举、常规 if-else 逻辑实现，需依赖神经网络。
  • 图像数字化基础规则：图像分为彩色、灰度、黑白三类，彩色图为 RGB 三通道，单通道像素值取值范围为 0-255。
  • 神经网络运行逻辑
    • 层级对应关系：输入层对应图像像素点，隐藏层对应中层决策节点，输出层对应最终决策节点，全连接网络下所有节点均会传信号。
    • 权重的实际含义：节点间连接的权重 W 对应决策节点对下属信号的信任程度，权重越高对应信号传递的优先级越高。
    • 解释性差的原因：训练过程中权重 W 会动态调整，不同参数间存在相互影响，无法明确单个参数的具体作用。
  • 内容甄别提示：网络上存在大量关于神经网络的错误教学内容，需以权威教材、官方资料为准，避免被错误信息误导。

• 参数与模型本质

  • 参数迭代规则：训练初始需对权重做初始化，训练过程中所有参数动态调整，模型训练完成后参数固定，可通过微调优化。
  • 深度的定义：神经网络的“深度”特指隐藏层的数量，理论上隐藏层越多可拟合的规律越复杂，层数过高会出现网络退化问题。
  • 模型的本质：模型是训练完成后固定了所有参数的规律集合，可针对输入数据直接输出对应结果，核心作用是辅助决策与预测。
  • 预测的属性：模型输出的预测值为不确定值，不存在100%准确率，不建议使用模型做股票等受多因素干扰的场景预测。

• 模型训练全流程与核心概念

  • 标准训练流程：整体流程依次为数据准备、数据处理、模型训练、效果测试、部署上线，若测试不达标需返回前序环节迭代优化。

  • 数据集划分规则

    • 训练集规则：训练集需同时包含输入特征 X 与目标标签 Y，作用是供模型学习数据规律，拟合得到对应的 W、B 参数，常规占比约 70%。
    • 测试集规则：测试集需同时包含 X 与 Y，作用是评估模型在未见过的新数据上的真实表现，仅可使用一次，常规占比约 30%。
    • 验证集规则：验证集可反复使用，专门用于训练过程中的参数调整，避免测试集被提前使用导致评估结果失真。

  • 核心概念定义

    • 数据处理范畴：大模型场景下的数据处理包含数据过滤、缺失值处理、异常值处理、数据源合并等核心操作。
    • 超参数定义：超参数为训练前需人工手动设置的参数，例如网络层数、神经元数量等，常规参数由模型自主迭代生成。
    • 评估指标逻辑：模型评估核心指标包含准确率、查全率、查准率、F1 值，其中 F1 值为查全率与查准率的调和平均值。
    • 任务类型区分：输出为离散分类标签的任务为分类任务，输出为连续数值的任务为回归任务，二者适用的模型逻辑存在明确差异。