РЪКОВОДСТВО по основи

Дълбоко обучение

Дълбокото обучение е клон на машинното обучение, който обучава изкуствени невронни мрежи с много подредени слоеве, всеки от които превръща своя вход в малко по-полезно представяне.

Чуйте това ръководствоAI-разказан · ~9 min

На тази страница10 минути четене
  1. Преглед
  2. Основни изводи
  3. Дълбоко гмуркане
  4. Проследете едно градиентно спускане стъпка на ръка
  5. Внедряване в реалния свят
  6. Бъдещето на дълбокото обучение
  7. Прилагайки го на практика
  8. Източници и допълнителна литература
  9. Продължете да изследвате
  10. Често задавани въпроси

Преглед

Това е техниката зад модерното разпознаване на изображения, разпознаване на реч, превод и чатботове, тъй като слоевете научават собствените си функции от примери, вместо да разчитат на правила или функции, написани на ръка.

Основни изводи

  1. Дълбокото обучение обучава невронни мрежи с много слоеве и всеки слой научава свои собствени функции от данни, вместо да използва ръчно написани правила.
  2. Обучението повтаря един цикъл: предвиждане, измерване на грешката с функция за загуба, изчисляване на градиенти с обратно разпространение и побутване на всяко тегло, за да се намали грешката.
  3. Обратното разпространение е описано в Nature през 1986 г., но полето се развива през 2012 г., когато AlexNet намали грешката на ImageNet в топ 5 до 15,3% от 26,2% на второто място.
  4. Конволюционните мрежи отговарят на изображения, повтарящите се мрежи някога са доминирали последователности, а Transformers, въведени през 2017 г., обработват цели последователности наведнъж с внимание.
  5. Дълбоките мрежи са гладни за данни, трудни за интерпретиране, склонни към пренастройване и бързо обучение и могат уверено да грешат при непознати входове.
  6. Epoch AI изчислява, че граничните изчисления за обучение са нараснали около 5 пъти годишно от 2020 г. насам, докато цената на фиксирано ниво на производителност е спаднала рязко.

Дълбоко гмуркане

Deep learning is a way of building software that learns a task from examples. Its core object is an artificial neural network: a large collection of simple arithmetic units, loosely inspired by brain cells, arranged in layers. Each unit multiplies its inputs by adjustable numbers called weights, adds the results, and passes the total through a simple nonlinear function. The word deep refers to the number of layers between the raw input, such as the pixels of a photo, and the final answer, such as the label cat. In their 2015 review in Nature, Yann LeCun, Yoshua Bengio and Geoffrey Hinton describe the central idea as learning representations with multiple levels of abstraction. In an image model, early layers tend to respond to edges, middle layers to combinations of edges and textures, and later layers to parts of objects. Nobody programs those detectors. They emerge during training.

Training follows the same loop for almost every deep network. First, gather many examples with known answers, called labels. Second, run an example through the network to get a prediction; this is the forward pass. Third, score the prediction with a loss function, a formula that produces a large number when the prediction is far from the label and a small one when it is close. Fourth, use backpropagation to work out, for every weight, how much a tiny change would raise or lower the loss. That quantity is called the gradient. Fifth, nudge every weight a small step in the direction that lowers the loss, a method called gradient descent. Sixth, repeat over millions of examples, usually in small groups called batches. When training ends, the weights are frozen and the network is used on new inputs, which is called inference.

Backpropagation is the step that makes depth practical. David Rumelhart, Geoffrey Hinton and Ronald Williams described it in Nature in October 1986: the procedure repeatedly adjusts connection weights to shrink the gap between the network's actual output and the desired output. Their key observation was that hidden units, the ones that are neither input nor output, come to represent useful features of the task on their own. The 2015 Nature review explains why that matters. Conventional machine learning needed careful engineering and domain expertise to design a feature extractor before any learning could happen. Deep learning moves that work into the training process.

Different layer designs suit different data. Convolutional networks slide the same small filter across every position of an image, so a pattern learned in one corner is recognized anywhere. Recurrent networks read a sequence one step at a time and carry a memory forward, which suited speech and text for many years. Transformers, introduced by Ashish Vaswani and colleagues at Google in June 2017, replace that step-by-step reading with attention, a mechanism that lets every position in a sequence look directly at every other position. Because attention can be computed for all positions at once, the original Transformer trained to a new English-to-French translation record in 3.5 days on eight GPUs. Residual connections, introduced by Kaiming He and colleagues in December 2015, let a layer's input skip ahead and be added to its output. That simple shortcut made networks of 152 layers trainable, which the authors describe as eight times deeper than the earlier VGG networks.

The modern boom has a clear starting point. In 2012, Alex Krizhevsky, Ilya Sutskever and Geoffrey Hinton entered AlexNet in the ImageNet image classification contest. The network had 60 million weights and 650,000 units, and it was trained for about 90 passes over 1.2 million labeled images, which took five to six days on two NVIDIA GTX 580 graphics cards with 3 GB of memory each. Its winning top-5 error of 15.3% compared with 26.2% for the next entry. The authors wrote that their results could likely improve simply by waiting for faster GPUs and bigger datasets, and the following decade largely followed that recipe: more data, more compute, and better architectures such as ResNet in 2015 and the Transformer in 2017. By 2024, according to the Stanford AI Index 2025, nearly 90% of notable new AI models came from industry rather than universities, up from 60% in 2023, a sign of how expensive frontier work has become.

It helps to place deep learning among its alternatives. Rule-based software follows instructions a person wrote, which is predictable and easy to audit but breaks on messy inputs like handwriting or accents. Classical machine learning, such as logistic regression or decision trees, learns from data but usually relies on features a person chose in advance. Deep learning learns the features too, which is why it dominates tasks with raw, unstructured inputs: images, audio, video and free text. For small tables of numbers, such as a spreadsheet of a few thousand loan records, simpler methods are cheaper to train and easier to explain, and they remain a sensible first try. Deep learning is also distinct from generative AI: generative systems are one use of deep networks, not a separate technology.

The method has real limits. Deep networks need large amounts of data, and they can memorize their training examples instead of learning general patterns, a failure called overfitting. The AlexNet authors reported substantial overfitting until they added dropout, a technique that randomly switches off half of the units in certain layers during each training step. A trained network's knowledge is spread across millions or billions of weights, so it is hard to say why it produced a particular answer. Networks can latch onto accidental shortcuts in the data, such as a background that happens to appear with one label, and they can fail without warning on inputs unlike anything in training. They also give confident answers when they are wrong unless they are specifically calibrated. None of these problems is solved by adding more layers.

The practical requirements depend heavily on scale. A small image classifier can be trained on a single consumer graphics card in hours, and most practitioners start from a network someone else already trained and adjust it for their task, which is called fine-tuning. Frontier models are a different world. Epoch AI estimates that training compute for frontier language models has grown about 5 times per year since 2020 and that frontier training costs have grown about 3.5 times per year, and it puts the up-front cost of a 1-gigawatt AI data center at roughly 38 billion dollars. Running models has become far cheaper, though: the Stanford AI Index 2025 reports that the price of GPT-3.5-level performance fell more than 280-fold between November 2022 and October 2024, while hardware costs fell about 30% per year and energy efficiency improved about 40% per year.

04Работен пример

Проследете едно градиентно спускане стъпка на ръка

  1. Вземете най-малката възможна мрежа: едно тегло w, което предсказва y = w * x. Започнете с w = 0,5.

  2. Използвайте един пример за обучение: въведете x = 2 с правилен отговор 3. Преминаването предсказва 0,5 * 2 = 1.

  3. Оценка на прогнозата с квадрат на загубата на грешка, (прогноза - отговор) на квадрат, което дава (1 - 3) на квадрат = 4.

  4. Изчислете градиента с верижното правило: dLoss/dw = 2 * (прогноза - отговор) * x = 2 * (-2) * 2 = -8.

  5. Актуализирайте теглото със скорост на обучение 0,05: w := 0,5 - 0,05 * (-8) = 0,9.

  6. Изпълнете отново паса напред: 0,9 * 2 = 1,8, така че загубата сега е (1,8 - 3) на квадрат = 1,44.

  7. Повторете същите четири стъпки още няколко пъти и запишете теглото и загубата след всяка от тях.

Какво показва

Загубата пада от 4 на 1,44 след една стъпка и продължава да се свива, а w доближава 1,5, стойността, която съпоставя точно 2 към 3. Една истинска дълбока мрежа извършва точно това изчисление, само за милиони или милиарди тегла наведнъж, като обратното разпространение осигурява всеки градиент.

Внедряване в реалния свят

Разпознаване на изображения: AlexNet, мрежа с пет конволюционни и три напълно свързани слоя, спечели конкурса ILSVRC-2012 с 15,3% грешка в топ 5 на теста, когато вторият най-добър запис отбеляза 26,2%.

Модели с много дълбоко виждане: документът ResNet от 2015 г. от Microsoft Research обучи мрежи с дълбочина до 152 слоя с помощта на връзки за бърз достъп и зае първо място в задачата за класификация на ILSVRC 2015 с 3,57% грешка.

Машинен превод: 2017 Transformer достигна 28,4 BLEU на бенчмарка WMT 2014 от английски на немски, повече от 2 BLEU над предишни най-добри резултати и постави рекорд за единичен модел от 41,8 BLEU на английски на френски.

Реч, наука и медицина: прегледът на Nature за 2015 г. от LeCun, Bengio и Hinton приписва дълбоките мрежи с големи печалби в разпознаването на реч, откриването на обекти, откриването на лекарства и геномиката, области, в които ръчно проектираните функции бяха в застой.

Бъдещето на дълбокото обучение

Няколко отворени проблема оформят текущите изследвания. Първият е ефективността. Ако граничните изчисления за обучение продължават да растат близо до темпото 5 пъти на година, измерено от Epoch AI от 2020 г. насам, необходимата енергия и капитал нарастват рязко; Epoch отбелязва, че най-големите центрове за данни с изкуствен интелект вече се доближават до гигават капацитет на мощността през 2025 г. Задвижванията под налягане работят върху по-малки модели, по-добри рецепти за обучение и по-евтини чипове, а индексът на Станфордския изкуствен интелект през 2025 г. регистрира спад на хардуерните разходи с около 30% годишно. Второто е сближаването между конкурентите. AI Index 2025 установи, че разликата в резултата между най-добрия модел и десетия класиран модел се е свила от 11,9% на 5,4% за една година, а разликата между водещите отворени и затворени модели е намаляла от 8% на 1,7% при някои показатели. Дали предимствата сега идват повече от данни, изчисления или инженерство е открит въпрос. Третото е разбирането. Дълбоките мрежи все още работят по-добре, отколкото някой може да обясни напълно, а изследванията за интерпретируемост се опитват да картографират какво изчисляват отделните единици и схеми. Надеждността на непознати входни данни, честните оценки на несигурността и устойчивостта на бързо обучение остават нерешени. Дали простото мащабиране на настоящите архитектури ще продължи да дава печалби или са необходими нови идеи, се обсъжда активно, а не се решава.

Прилагайки го на практика

Защо има значение

  • По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
  • Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
  • Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.

Внимавайте за

  • Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
  • Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
  • Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.

Следващи стъпки

  1. Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
  2. Изберете един показател за успех и едно условие за неуспех преди тестване.
  3. Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
  4. Документирайте къде Deep Learning помага и къде по-простите методи са по-добри.

Източници и допълнителна литература

  1. Nature (LeCun, Bengio and Hinton, 2015)Дълбоко обучение
  2. Nature (Rumelhart, Hinton and Williams, 1986)Учене на представяне чрез обратно разпространение на грешки
  3. NeurIPS 2012ImageNet класификация с дълбоки конволюционни невронни мрежи
  4. arXiv (Microsoft Research, 2015)Дълбоко остатъчно обучение за разпознаване на изображения
  5. arXiv (Google, 2017)Вниманието е всичко, от което се нуждаете
  6. Stanford Institute for Human-Centered AIДокладът за AI Index за 2025 г
  7. Epoch AIТенденции в машинното обучение

Продължете да изследвате

Безплатен бюлетин

Получавайте дневния AI бюлетин

Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.

Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.

Тествайте себе си

Направете теста за задълбочено обучение

Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.

Стартирай теста

Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение

Често задавани въпроси

Какво е Deep Learning?

Дълбокото обучение е клон на машинното обучение, който обучава изкуствени невронни мрежи с много подредени слоеве, всеки от които превръща своя вход в малко по-полезно представяне. Това е техниката зад модерното разпознаване на изображения, разпознаване на реч, превод и чатботове, тъй като слоевете научават собствените си функции от примери, вместо да разчитат на правила или функции, написани на ръка.

Какво описва „дълбоко“ в модел на задълбочено обучение?

В това ръководство дълбочината се отнася до многослойна мрежова структура; не установява подобно на човешкото разбиране или изпълнение.

Мрежата има 2 входа, скрити слоеве от 3 и 2 единици и 1 изход. С отклонение за всяка скрита/изходна единица, колко тегла и отклонения има?

Слоевете допринасят (2×3+3)=9, (3×2+2)=8 и (2×1+1)=3, за общо 20.

Защо да използвате нелинейни активации между скрити слоеве?

Ръководството обяснява, че стек от линейни операции остава линеен; нелинейните активации позволяват на мрежата да представлява нелинейни връзки.

По време на извода какво обикновено се случва с параметрите на обучения модел?

Изводът използва обучения модел; обучението е процесът, който актуализира параметрите.

Моделът се вписва много в своите примери за обучение, но се представя слабо при сравними задържани данни. Какъв модел показва това?

Свръхоборудването е силно представяне на обучението, съчетано с по-слабо представяне при нови данни.

Продължавай да учиш

Свързани ръководства

Още ръководства, избрани за тази тема

Получете безплатен AI сертификатКратък безплатен курс и изпит. Без разходи, без карта. Около 2,5 часа.Започнете безплатно →