深度学习，从「框架」开始学起‘kaiyun·开云，kaiyun·开云(官方)app下载安装ios/安卓通用版/手机版’

目前当红的人工智能（Artificialintelligence，AI）主要探讨在深度自学（DeepLearning，DL）领域，想要自学深度自学技术的人，第一步一般来说不会遇上一大堆框架（Framework）却知道如何自由选择，而到底什么是框架？框架如何用来回应模型？哪些才是主流框架？本文将不会原始告诉他你，帮助找到最合乎自己市场需求的框架。何谓深度自学框架？深度自学非常简单示意图大家都告诉只要打算一张纸和一只笔，再加源源不断的启发，就能将点子转化成文字，创作出有一篇令人感动的文章。

但现在手写创作的人越来越少，不得已搭配一项电子书写出（数字传达）的工具来创作。以Windows举例，有可能用的是NotePad（笔记本）、Word或PDFEditor，如果是学术文学创作的人有可能较常用的是Latex，在网页上创作则有可能是Html。文章的优劣并会因为工具的转变而有所不同，却不会影响文学创作效率以及印刷美观，转变读者对这篇文章的评价。虽然文章内容（基本元素）可只能的在有所不同工具中切换，但遇上字体格式、图片、公式等类似印刷市场需求时，有可能经常出现档案转不过去等问题，同时无法用来传达音乐、影像、视频。

在解决问题深度自学的问题中，较少见的所谓时序性识别问题，以及时序性的分析或预测问题。为了便利传达模型（Net／Model）的结构、工作训练以及假设流程，因此产生了框架，用来准确传达深度自学的模型，就像在Windows上写文章必须有NotePad、Word等，编辑影音内容要有威力编剧、AfterEffect等一样。因此，许多学术单位、开源社群甚至Google、Microsoft、Facebook这类著名大公司也争相发售自家的框架，以保证在这场AI大战中能占据一席之地。

而有另一派人马，想产生另一种可只能并转成各家的框架，例如微软公司的Word可以另存网页档（＊．html）、可携式文件格式（＊．pdf）、显文本档（＊．txt）等。在讲解各家框架前，再行来认识一下深度自学的模型到底用了哪些元素？就像玩乐低积木前，要再行告诉有哪些模块能用，先前在自学各个框架的回应语法时才会一头雾水。

少见深度自学模型讲解首先讲解两个较知名的模型，还包括非时序性的卷积神经网络（CNN）LeNet－5［1］以及时序性的迭代神经网络（RNN），便利解释模型中常用到的元素与流程，如何用深度自学框架来回应。卷积神经网络（CNN）图一卷积神经网络（CNN）LeNet－5［1］（图一）为最著名的卷积神经网络LeNet－5，主要是用来识别手写数字（MNIST数据库），输出为一张8bit灰阶32×32像素的影像，而输入为十个节点，分别回应影像为十个数字的机率，这个模型完全是所有研究深度自学的入门起手式。

目前再行不说明这个模型为何能学会识别图像，而是全然就模型构成以及回应方法来展开解释。首先，解释卷积特征图C1层，C1层上的红点，是由输出层（INPUT）红色板（5×5个像素）乘以5×5的卷积核加总后而得，依序由输出影像的左至右、下至下分享一个卷积核展开卷积，一次移动一个像素（Stride＝1），如此才可产生一张特征图，而C1层分享了六组卷积核，因此产生六张28×28像素的特征图。忘了将影像展开池化，较少见的方式就是把邻接四点（如图一绿色板右图）中仅次于的点当作新点，称作MaxPooling，同时把影像长方形都减至一半，沦为S2层。

接下来，对S2层以16两组3×3卷积核展开卷积，产生C3层，共计16两组10×10像素的特征图。某种程度地再行对C3层展开池化产生S4层，变为16两组5×5像素的特征图，最后再以16两组5×5卷积核把S4层的16个特征图卷积变为16个输出点，再行以传统仅有链接神经网络展开链接。

本文来源：kaiyun·开云，kaiyun·开云(官方)app下载安装ios/安卓通用版/手机版-www.566264.com