大家好，今天小编关注到一个比较有意思的话题，就是关于cnn深度神经网络的问题，于是小编就整理了2个相关介绍cnn深度神经网络的解答，让我们一起看看吧。
aigc是什么时候开始的？
2014年。
AIGC即AI Generated Content，是指利用人工智能技术来生成内容，AIGC也被认为是继UGC、PGC之后的新型内容生产方式，AI绘画、AI写作等都属于AIGC的分支。对AIGC来说，2022年被认为是其发展速度惊人的一年。
AI绘画最早要追溯2014年，GAN（生成式对抗网络）的诞生。据说人工智能专家Ian Goodfellow在一次酒后想到了这一深度模型概念，基于CNN（深度卷积神经网络），GAN创造性地将两个神经网络进行对抗，即生成器与鉴别器。生成器用于生成“***数据”，鉴别器用于判断数据的真伪，在两者的对抗中，逐渐演化出强大的“***能力”，而这种***能力则用于图像的合成。
神经网络与深度学习有什么区别？
从广义上来讲，深度学习也就是深度神经网络DNN，目前已经融合了各种各样的神经网络结构，比如CNN、RNN及其各种变种结构。神经网络和深度学习已经相互交融。在这里我们通过回顾神经网络的发展历程，去搞清楚各种网络结构发展的初衷和他们之间的区别。
神经网络在上世纪五、六十年代就已经被提出来了，当时还不叫神经网络，而叫做perceptron，它有输入层、输出层和一个隐含层。输入的特征向量通过隐含层变换达到输出层，在输出层得到分类结果。
当时碍于计算机技术的落后，感知器传输函数是用线拉动变阻器改变电阻的方法机械实现的，试想一下当时的科学家在实验室面对密密麻麻的导线的样子，那时候硬件条件真的是太艰苦了。早期单层感知机的推动者是Rosenblatt，而单层感知机的最大问题我们都知道就是对稍复杂一些的函数都没有办法表达，比如：异或。因此当时的单层感知机是十分的鸡肋了。
直到上世纪八十年代才Hinton等人提出了多层感知机（Multilayer Perceptron）克服了单层感知能力有限的问题。多层感知机的结构：
这时候的多层感知机就是我们现在说的全连接神经网络，它启示我们神经网络的层数直接决定了它对问题的刻画能力，但是随着神经网络层数的加深，问题也逐渐凸显，就是优化函数越来越容易陷入局部最优解，偏离真正的全局最优。利用有限数据训练的深层网络，性能还不如较浅层网络（神经网络并不是越深越好）。与此同时，另一个严重的问题是随着网络层数增加，“梯度消失”现象更加严重。比如在利用sigmoid作为神经元的激活函数时，对于幅度为1的信号，在反向传播梯度时，每传递一层，梯度衰减为原来的0.25，随着层数的增加，低层基本接受不到有效的梯度更新。
到了2006年，Hinton利用预训练方法缓解了局部最优解问题，将隐含层推动到了7层，也再一次激起了深度学习的热潮。这里所说的深度没有确定标准，比如在语音识别领域中4层网络就能够被认为是“较深的”，而在图像识别中20层以上的网络都十分常见。此外，为了解决梯度消失的问题，ReLU，tanH等激活函数代替了sigmoid。此外，在2016年清华学霸何凯明提出的深度残差网络，让深度学习变得超级深，网络层数达到100多层。
至此，DNN的发展又面临一个不可避免的问题——参数爆炸，网络的的深度到来的性能的提高，与此牺牲的是对训练数据的大量需求和过拟合现象。
神经网络是一种计算模型。存在边的2个节点说明他们有关系，可以建立很多层的网络模型。神经网络模型可以逼近任意一个函数，不管是简单的还是复杂的函数。
深度学习是基于神经网络模型的一种计算学习方法。大量的数据灌入模型，通过反向传播，调参（边的权重参数），不断迭代后，误差值逼近阈值，模型收敛。
因此，神经网络是模型，深度学习是方法，它基于神经网络模型学习。
如有疑问，欢迎进一步讨论。
到此，以上就是小编对于cnn深度神经网络的问题就介绍到这了，希望介绍关于cnn深度神经网络的2点解答对大家有用。
