- 特征(feature)：预测时使用的输入变量。
- 特征集(feature set)：训练深度学习模型时采用的一组特征。
- 标签(label)：监督学习中样本的“标准答案”。
- 类别(class)：为标签枚举的一组目标值中的一个。
- 样本(example)/输入(input)：数据集的一行，分为有标签样本和无标签样本。
- 权重(weight)：线性模型中特征的系数，或者深度网络中的边。
- 偏差(bias)：距离原点的截距或偏移。
- 激活函数(activation function)：一种用于对上一层所有输入加权求和后生成输出值以传递给下一层的函数。
- 反向传播(back propagation)：在神经网络上执行梯度下降法的主要算法，先前向传播计算并存储每个结点的输出值，再反向传播遍历图去计算损失函数值相对每个参数的偏导数。
- 批次(batch)：模型训练的一次迭代(一次梯度更新)中使用的样本集。
- 批次大小(batch size)：一个批次中的样本数。
- 轮次(epoch)：在训练时，整个数据集的一次完整遍历。
- 层(layer)：一组神经网络中负责处理一组输入特征或一组神经元的输出的神经元。
- 全连接层(fully connected layer)：又称密集层，一种每个节点均与下一隐藏层中每个节点相连的隐藏层。
- 输入层(input layer)：神经网络的第一层。
- 隐藏层(hidden layer)：神经网络中的合成层，介于输入层和输出层之间。
- 输出层(output layer)：神经网络的最后一层。
- 学习率(learning rate)：训练模型时用于梯度下降的一个标量，学习率×梯度＝梯度步长。
- 指标(metric)：可能在机器学习系统中得到优化的重点关注的指标。
- 神经网络(neural network)：一种模型，灵感来自脑部结构，由多个层构成，每个层都包含简单相连的单元或神经元(非线性关系)。
- 神经元(neuron)：神经网络中的节点，接受多个输入，应用激活函数将输入值加权处理后生成输出值。
- 过拟合(overfitting)：创建的模型与训练数据过于匹配，以致模型无法根据新数据进行正确的预测。
- 参数(parameter)：深度学习自行训练的模型的变量。
- 预测(prediction)/输出(output)：模型在收到输入样本后的输出。
- 回归模型(regression model)：一种能够将输入的连续的值映射到输出的离散的值的模型。
- 分类模型(classification model)：一种用于区分两种或多种离散类别的模型。
- 序列模型(sequence model)：一种输入有序列依赖性的模型。
深度学习常用术语
2023-01-10
318
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
本文介绍一些深度学习的常用术语。
目录
相关文章
|
机器学习/深度学习
自然语言处理
算法
|
机器学习/深度学习
自然语言处理
算法
|
机器学习/深度学习
人工智能
算法
|
机器学习/深度学习
深度学习笔记之一些基本术语
1156
0
0
|
4天前
|
机器学习/深度学习
数据采集
人工智能
AI赋能教育：深度学习在个性化学习系统中的应用
【10月更文挑战第26天】随着人工智能的发展，深度学习技术正逐步应用于教育领域，特别是个性化学习系统中。通过分析学生的学习数据，深度学习模型能够精准预测学生的学习表现，并为其推荐合适的学习资源和规划学习路径，从而提供更加高效、有趣和个性化的学习体验。
37
8
8
|
4天前
|
机器学习/深度学习
监控
自动驾驶
深度学习在图像识别中的应用与挑战
本文探讨了深度学习在图像识别领域的应用现状，分析了其面临的主要技术挑战和解决方案。通过对比传统方法和深度学习模型的优势，揭示了深度学习如何推动图像识别技术的发展，并展望了未来的研究方向。
26
9
9
|
2天前
|
机器学习/深度学习
人工智能
算法
探索深度学习在图像识别中的应用与挑战
【10月更文挑战第28天】 本文深入探讨了深度学习技术，特别是卷积神经网络（CNN）在图像识别领域的应用及其面临的主要挑战。通过分析CNN的工作原理和架构设计，揭示了其在处理大规模图像数据时的优势。同时，本文也讨论了当前深度学习模型在图像识别任务中遇到的一些关键问题，如过拟合、数据不平衡以及计算资源的需求等，并提出了相应的解决策略。此外，文章还展望了未来深度学习技术在图像识别领域的发展方向，包括模型优化、算法创新及应用场景的拓展。
12
1
1
|
8天前
|
机器学习/深度学习
算法
计算机视觉
深度学习在图像识别中的应用与挑战
【10月更文挑战第22天】 本文深入探讨了深度学习在图像识别领域的应用，分析了其技术原理、优势以及面临的挑战。通过实例展示了深度学习如何推动图像识别技术的发展，并对未来趋势进行了展望。
22
5
5
|
9天前
|
机器学习/深度学习
人工智能
自然语言处理
深度学习在图像识别中的应用与挑战
【10月更文挑战第20天】 随着人工智能技术的不断发展，深度学习已经在许多领域展现出强大的应用潜力。本文将探讨深度学习在图像识别领域的应用，以及面临的挑战和可能的解决方案。通过分析现有的研究成果和技术趋势，我们可以更好地理解深度学习在图像识别中的潜力和局限性，为未来的研究和应用提供参考。
36
7
7
|
6天前
|
机器学习/深度学习
PyTorch
TensorFlow
深度学习在图像识别中的革命性应用
本文探讨了深度学习技术在图像识别领域中的应用，重点分析了卷积神经网络（CNN）的工作原理及其对图像处理的影响。通过对比传统图像识别方法和深度学习方法，展示了深度学习如何显著提高了图像识别的准确率和效率。文章还简要介绍了一些著名的深度学习框架，如TensorFlow和PyTorch，并讨论了它们在实际应用中的优势。
18
1
1
热门文章
最新文章
1
通过阿里云容器服务深度学习解决方案上手Caffe+多GPU训练
2
如何从系统层面优化深度学习计算？
3
基于深度学习的动物识别系统（YOLOv5清新界面版，Python代码）
4
云栖科技评论第15期：IBM联合NVIDIA开发世界上“最快商用深度学习系统”
5
二维码及条形码智能检测软件（Python+YOLOv5深度学习模型+清新界面）
6
IBM：最新突破将大幅提升深度学习速度
7
深度学习caffe实践学习
8
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)（下）
9
深度学习学习资料
10
领域最全 | 计算机视觉算法在路面坑洼检测中的应用综述(基于2D图像/3D LiDAR/深度学习)（上）