大家好，今天小编关注到一个比较有意思的话题，就是关于深度学习神经网络的问题，于是小编就整理了2个相关介绍深度学习神经网络的解答，让我们一起看看吧。
神经网络啥时候改名叫“深度学习”了？
同一种思维范式在不同时代的表现形式
神经网络类算法的发展大致经历了三次***：1. 二十世纪四十至六十年代，当时广为人知的控制论（cybernetics）；2. 二十世纪八十至九十年代的连接主义（connectioni***）；3. 再就是2006年之后的深度学习（deep learning）。
本是同根生相煎何太急。
深度学习可以理解成用深度神经网络（DNN，Deep Neural Network）来进行机器学习，他俩的关系可以从这个定义中一目了然地看出来。
朴素的DNN：就是一般性的神经网络往多层扩展，缺点很多包括训练缓慢，用Backprop进行训练梯度衰减得厉害；
深度置信（信念）网络（DBN，Deep Belief Network）：基于RBN（Restricted Boltzmann Machine）的性质而建立起来的深度神经网络，优点是比朴素的DNN训练快些，适用于最大似然概率的估计；
卷积深度置信网络（CDBN，Convolutional Deep Belief Networks）：比DBN训练更快些，适用于非常大型的图像或者语音识别。
困难一个是训练速度，另一个就是需要大量的计算力啦，这个成本挺高的，像Google的AlphaGo用了1202个CPU+176个GPU，普通的人和公司也拿不出这么强的计算力。
神经网络和深度学习从来不是同一个概念。前者是一种解决问题的模型，后者是一类机器学习的分支。二者分属不同的范畴领域。
神经网络（Neural Networks）是一种模拟人类神经系统的数学模型，用于解决复杂的模式识别和决策问题。它通常由多个神经元（或节点）组成，这些神经元通过连接（或权重）相互通信并处理输入数据。通过反向传播算法，神经网络可以通过调整权重来学习如何将输入映射到输出，从而实现模式识别和预测等任务。
深度学习（Deep Learning）是机器学习的一个分支，它通过使用多层神经网络（即深度神经网络）来解决复杂的模式识别和决策问题。深度学习利用神经网络的多层架构来自动学习数据表示，从而可以处理非常高维度、非常复杂的数据集，例如图像、语音、文本等。深度学习在许多领域中取得了巨大成功，如计算机视觉、自然语言处理、语音识别等。
因此，神经网络通常是深度学习的基本构件之一。深度学习也涵盖了其他的技术，例如卷积神经网络（Convolutional Neural Networks）、循环神经网络（Recurrent Neural Networks）、生成对抗网络（Generative Adversarial Networks）等。简而言之，神经网络是深度学习的基础模块，而深度学习是神经网络的更广泛和更高级的领域。
你可以这样理解这些名词之间的关系：
├── 机器学习
│ ├── 监督学习
│ │ ├── 分类
│ │ ├── 回归
深度学习不就是神经网络吗？
这两个概念实际上是互相交叉的，例如，卷积神经网络（Convolutionalneuralnetworks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（DeepBeliefNets，简称DBNs）就是一种无监督学习下的机器学习模型。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
到此，以上就是小编对于深度学习神经网络的问题就介绍到这了，希望介绍关于深度学习神经网络的2点解答对大家有用。
