生活分享

深度学习(Deep Learning)是什么

深度学习利用多层神经网络,从数据中学习不同层次的表示,常用于图像、语音与文本任务。本文以回收物照片分类为例,说明隐藏层、非线性、训练和推理的作用,解释模型可能记住背景而非物品,以及数据、算力与可解释性的取舍。读完能分辨深度学习和一般机器学习的关系,也能用新的拍摄条件检查一个模型是否真的学到了有用模式。

阅读时间约 7 分钟

LINE 分享
三层半透明几何面板把像素方块逐步转成物体轮廓,表达多层表示的学习过程。
图片:Mokaair (© Mokaair)
目录
  1. 1. 多层运算让表示逐步改变
  2. 2. 训练如何告诉网络该调整哪里
  3. 3. 模型可能学到背景捷径
  4. 4. 深度不是所有问题的最佳答案
  5. 5. 把技术能力转成可使用的功能

深度学习是机器学习的一类方法,利用多层神经网络,逐步把原始输入转成可供任务使用的表示。这里的“深”指向多层运算结构,不代表思考比较深刻,也不是只要数据很多就叫深度学习。它尤其擅长处理难以逐条手写规则的模式,但成果仍取决于数据、训练与验证。

假设社区想用照片协助识别回收物,你可能希望系统分辨纸盒、金属罐和其他物品。以下用这个原创情境拆解多层网络如何学习,以及为什么展示照片答对,还不能证明真实回收场景可靠。资料核查截至 2026 年 9 月 14 日。

多层运算让表示逐步改变

LeCun、Bengio 与 Hinton 的论文用多层处理与多层次抽象表示说明深度学习。Google 的神经网络教材则解释隐藏层与非线性运算如何处理复杂的数据关系。简单说,网络不只接收输入后套一条直线,而是经过多次转换,逐步形成对任务有用的内部表示。

在图像例子里,可以把早期处理想成关注局部边缘与纹理,后续处理结合更复杂的形状与关系。但这只是帮助理解的概念图,不代表每一层都有固定的人类名称,也不表示某个节点一定专门负责“纸盒”。实际表示通常分散在许多数值与运算之间。

非线性是重要部分。若每层都只是没有非线性变化的线性变换,多层堆叠在数学上仍可合并成一个线性变换,表达能力不会因为看起来很深就自动增加。不同网络架构安排不同的运算方式,图像、语音和文本任务也未必使用完全相同的组件。

训练如何告诉网络该调整哪里

回收物分类的有监督训练数据可以是一张照片配上一个已核对的类别。模型先产生各类别的分数,再用损失函数衡量与标签的差距。反向传播计算参数对损失的影响,优化程序再依据这些信号更新参数。这是一种数值调整过程,不是有人逐个教节点认识某种物品。

模型会重复接触训练样本,但训练进步不等于实际用途已达标。需要保留未参与训练的照片,检查新角度、新光线与不同外观。若把同一件物品连拍的近似照片分到训练和测试两边,结果可能比面对真正的新物品容易,因而高估能力。

推理时通常使用已训练的参数,对新照片产生结果,不会因为用户问了一次就必然更新整个网络。若产品能依据反馈改善,还涉及另外的数据收集、重新训练或个性化流程。把训练、推理和反馈更新分开,才容易理解模型目前知道什么、又如何改变。

模型可能学到背景捷径

原创数据设定中,纸盒照片都拍在绿色桌面,金属罐都拍在白色桌面。模型可能利用桌面颜色做分类,而不是学到物品的形状。测试照片若也维持同样拍摄方式,就会看起来很准;换个桌面后却突然大量出错。这是用数据关联代替真正任务信号的典型风险示例。

可以做的检查是给同一类物品换背景、角度与光线拍摄,观察类别是否仍稳定。再加入破损、污渍或部分遮挡的照片,确认系统是否需要标示无法判断。预期不是每张都一定答对,而是找出模型对哪些条件过度敏感,并把适用范围说清楚。

如果换背景后纸盒被判成金属罐,不能只调整回答语气。需要重新检查数据分布、标签及训练设置,让物品类别不再和背景固定绑在一起。多收集数据的方向也应由失败原因决定,而不是继续在同一张桌子上拍更多几乎相同的照片。

照片经多层表示进入分类结果,下方提醒用更换背景的照片检查模型是否只依赖桌面颜色。
层级图是概念示意,并不声称真实模型每一层都有固定的人类名称。 · 图片:Mokaair (© Mokaair)
阅读完整文字说明

照片经多层表示进入分类结果,下方提醒用更换背景的照片检查模型是否只依赖桌面颜色。

深度不是所有问题的最佳答案

深度学习通常需要考虑训练数据、运算资源与部署限制,但不代表每个应用都必须从零训练大模型。现有模型可以作为起点,再依据任务调整适配。是否适用仍要看输入种类、数据量、准确性要求和维护成本,不能只因为模型层数多就认定比较专业。

对于字段少、规则清楚的表格问题,较简单的模型或明确规则可能已足够,也更容易理解。相反,要从像素识别复杂外观,手写每条规则可能很困难,多层表示就有吸引力。比较方法时,应使用相同数据与任务指标,并把速度和可维护性一起考虑。

可解释性也是取舍。模型输出某类别,不等于能提供人类可直接验证的因果理由;显示关注区域的图也不一定就是完整决策原因。用户可以要求观察模型对输入变化的反应、查看失败案例,而不是只接受它另外生成的一段合理说明。

把技术能力转成可使用的功能

回收分类工具若是给一般住户使用,界面应让人知道它识别的是照片外观,实际回收规则仍可能因材质处理、污染程度或地方规定而不同。模型能识别物品,不等于已核对当地所有处置方式。若要提供处置建议,需要另外接入适用且可查证的规则数据。

深度学习与生成式 也不是同义词。分类照片是深度学习的一种应用,却不必生成新图片;文本生成模型也可能使用深度神经网络。前者按技术方法描述,后者按产出能力描述,理解这个差别,就不会把所有神经网络都当成聊天模型。

对读者最实用的检查,是拿符合真实用途的新数据测试它:不同手机、光线、背景与少见物品。如果只能在展示者精选的照片上表现良好,就应把能力限制在那些条件。模型的深度是设计特征,能否在实际情境中提供可靠帮助,仍然要靠证据。

深度学习的技术与用途边界(2026 年 9 月核查)
术语在例子中的意思不应混同的概念
深度学习用多层网络处理照片不等于有深刻思考
训练依据标签调整参数不等于每次使用都重新学习
推理新照片得到类别分数不等于已核对地方回收规定

AI 术语总索引:从 Loop Engineering 到生成式 AI

觉得这篇整理实用吗?分享给需要的朋友

LINE 分享
  • 生活分享

    代理式检索增强生成(Agentic RAG):何时需要再查一次

    代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。

  • 生活分享

    图谱检索增强生成(GraphRAG):从关系看懂整批文档

    GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。

  • 生活分享

    知识图谱(Knowledge Graph):把事物与关系说清楚

    知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。

  • 生活分享

    混合搜索(Hybrid Search):兼顾精确字词与语义

    混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。

资料来源

本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。

生活分享