扫码加入数据分析学习群

深度学习（deep learning，以下简称DL），可以说是基于人工神经网络的机器学习。区别于传统的机器学习，DL需要更多样本，换来更少的人工标注和更高的准确率。

DL利用深度来取代广度，进一步降低参数，提高拟合能力，很多情况下都比传统机器学习表现好。但DL和传统机器学习一样，DL学习的是一个映射f(x)=y，比如x是输入的手写数字图片，那么y就是0~9中的一个。

传统的BP（(back propagation)反向传播）神经网络一般指三层的全连接神经网络，而大于三层就成了DNN（深度神经网络）。

事实上，DNN能解决一些问题，但因为参数太多，逐步被其他网络模型取代：CNN（卷积神经网络）、RNN（循环神经网络）。二者目前最成功的实现分别是ResNet和LSTM。

以下拿计算机视觉相关研究领域来举例，所有x都是若干输入图片。

如果f(x)=y中，y是一个n色图，表征了x中n个目标及其位置呢？这就是大名鼎鼎的语义分割：

语义分割示意图

只需要将CNN结构稍作修改就可以了，先降维再升维，就能完成映射。

那如果f(x)=y中，y是一个边框，框住输入的天空图片x中小鸟的位置呢？当然有CNN和滑动窗口可以完成，但太慢了。于是Faster-RCNN诞生了，可以快速提取到图片中目标的位置，并画出边框。

利用深度学习画出图像边框

但是，如果f(x)=y中，x和y都是图片呢？也就是说，我希望通过对图片的学习，生成一些相似图片，该怎么做呢？GAN（生成式对抗网络）因此诞生。这个网络的想法是，用一个网络模型来生成目标，叫做生成器；然后用另一个或多个网络模型来实现判别，叫做判别器。判别器提升自己的判别能力，将生成的假目标与真实的目标区分开；而生成器提升自己的生成能力，将生成的假目标做得真实，试图骗过判别器。目前最成功的实现是style-GAN。

生成式对抗网络