深度学习与深度神经网络的关系
·
深度学习与深度神经网络的关系
核心纠正：深度学习的正确定位
深度学习 ≠ 一种独立的学习范式
深度学习 = 一种实现学习范式的技术手段（即使用深度神经网络）
因此，更准确的表述是：
- 我们可以使用 “浅层模型”（如逻辑回归、SVM）来进行监督学习。
- 我们也可以使用 “深度学习”（即深度神经网络）来进行监督学习。
后者因为其强大的能力，已经成为当前的主流。
为了更准确地反映它们的关系，我们应该将“深度学习”从与三大范式并列的位置上移开，并将其表示为一种强大的“实现工具”。下图展示了这一更精确的关系：
为什么会产生混淆？
这种混淆非常普遍，原因在于：
- 深度学习的巨大成功：近年来，深度学习在三大范式（尤其是监督和强化学习）的几乎所有领域都取得了突破性进展，以至于在很多场景下，“做AI”几乎等同于“用深度学习”。这让大家在潜意识里把它提升到了与范式并列的高度。
- 术语的流行度：“深度学习”这个术语在媒体和业界比“深度神经网络”更流行、更直观，所以被广泛使用，有时模糊了其技术本质。
用实例来巩固理解
让我们用实例来看“深度学习”如何作为工具服务于三大范式：
| 学习范式 | 使用“深度学习”的实现案例 | 核心架构 |
|---|---|---|
| 监督学习 | 图像识别：用带标签的图片训练一个模型，识别猫狗。 机器翻译：用成对的句子训练模型，将英文翻译成中文。 | CNN, Transformer |
| 无监督学习 | 数据生成：训练一个GAN，学习名人照片的分布，然后生成不存在的人脸。 降维：使用自编码器将高维数据压缩为低维表示。 | GAN, 自编码器 |
| 强化学习 | 玩视频游戏：训练一个智能体玩《星际争霸2》，它通过得分（奖励）来学习策略，无需人类示范。 | 深度Q网络 |
从这些例子可以清晰地看到：
- 学习的目标（是预测标签、发现结构还是最大化奖励）由三大范式定义。
- 实现这个目标的核心工具，在这些案例中，都是深度神经网络。
结论
“深度学习”不应与三大学习范式并列，它应该是“用深度神经网络学习”的代名词，是一种强大且当前占主导地位的模型架构，可以被应用于监督、无监督和强化学习这三大范式之中。
更多推荐
25
0- 0
已为社区贡献16条内容
所有评论(0)