深度学习算法,深度学习框架

摘要： 大家好，今天小编关注到一个比较有意思的话题，就是关于深度学习算法的问题，于是小编就整理了4个相关介绍深度学习算法的解答，让我们一起看看吧。2006年，谁提出了深度学习算法？控制算法...

大家好，今天小编关注到一个比较有意思的话题，就是关于深度学习算法的问题，于是小编就整理了4个相关介绍深度学习算法的解答，让我们一起看看吧。

1. 2006年，谁提出了深度学习算法？
2. 控制算法和深度学习哪个好？
3. 搞算法（图像识别，深度学习）必须要懂C/C++吗？
4. 深度学习最终会淘汰掉其他所有机器学习算法吗？

2006年，谁提出了深度学习算法？

2006年，杰弗里·辛顿以及他的学生鲁斯兰·萨拉赫丁诺夫正式提出了深度学习的概念。他们在世界顶级学术期刊《科学》发表的一篇文章中详细的给出了“梯度消失”问题的解决方案——通过无监督的学习方法逐层训练算法，再使用有监督的反向传播算法进行调优。

控制算法和深度学习哪个好？

控制算法和深度学习都有各自的优势和应用领域。控制算法侧重于建模和设计系统的控制策略，适用于需要精确控制和稳定性的任务。而深度学习则更适用于处理大规模、复杂的数据，并能从中提取特征和模式，适用于图像识别、语音处理等领域。因此，选择控制算法还是深度学习取决于具体任务需求和数据特点。

在实际应用中，两者也可以结合使用，充分发挥各自的优势，以达到更好的效果。

搞算法（图像识别，深度学习）必须要懂C/C++吗？

由于图像识别、深度学习这方面已经有许多人做了基础性工作，他们提供的程序或者库都是利用c或c++形式提供的，或者是类似的调用接口，因此要利用这些库、将这些基本算法结合到自己的工程中来，需要c和c++的知识算法应当是可移植的，同时又不能离硬件太远。可移植的特点是要求编程语言具备可移植性、通用性，c或c++是比较好的载体；所谓离硬件不太远，是因为要在算法优化方面有需求时，需要针对硬件特点，或者硬件提供的能力，做到发挥算法的最大效能，由于c语言可以很好地结合汇编语言和高级语言，因此在优化方面是比较灵活的。如果大部分通用算法都是用c或c++编写的，为成为通用算法，你有可能需要顺应这一习惯，以便别人将你的算法结合到他们的c或c++工程中去。往往你的算法是在别人编写的现有算法上改进得到，如果别人的算法就是c或c++编写的，你需要这方面的知识来消化别人算法的思路，理解成熟算法的意图。

深度学习最终会淘汰掉其他所有机器学习算法吗？

当然不会，只能说深度学习这个分支会继续蓬勃发展。但还有很多别的分支，比如迁移学习、强化学习…会继续向前发展。另外，DL的发展也会有瓶颈，Hinton大神的最新Capsule论文也说明了问题，所以凡事都没有绝对，多吸收各种知识，开阔眼界，才能更好的掌握AI的各方面。

本人曾经长期从事听觉感知和自然语言理解的研究工作，神经网络早已有之，但此神经网络绝非人类的神经网络，近几年又出来了所谓深度学习，很好奇，上网看了看，结果发现无非是神经网络的若干改进而已，比如深度学习中的语音识别的内核，仍然是上世纪八十年代古老的隐含马尔科夫链，与人的语音感知根本就不是***事。仍属于超大计算量的蛮干。所以窃以为，在揭示人类的听觉和视觉模式感知奥秘之前，AI不会有多大的作为。

算法越经典越简单越不会被淘汰掉。自信地说，两百年后甚至两千年后，线性回归依然被广泛地使用，但目前深度学习的算法可能被颠覆。因为目前深度学习算法在数学上依然是建立在梯度下降法之上，靠蛮力计算，并没有取得突破，有可能被颠覆。很多牛人对目前深度学习算法不满意，认为存在局限性，我们大脑不可能像深度学习那样思考问题的，难道你也按照梯度下降法那样思考决策吗？因此深度学习未来被颠覆的可能性很大。很多年后，深度学习没有了，但线性回归依然存在，最小二乘法依然存在。最小二乘法诞生于1809年，已经有两百多年历史了，但目前还广泛应用于各行各业，你觉得再过两百年，最小二乘***消失吗？

到此，以上就是小编对于深度学习算法的问题就介绍到这了，希望介绍关于深度学习算法的4点解答对大家有用。