什么是深度学习

"更深"的神经网络

深度学习（Deep Learning） 是机器学习的一个分支，核心就是使用多层神经网络。"深度"指的是网络的层数多——从几层到几百层甚至上千层。

💡 类比：如果普通神经网络是小学生（3层），深度学习就是博士生（上百层）——层数越多，能理解的东西越复杂。

为什么"深"很重要？

层数越多，网络能识别的特征越复杂：

传统机器学习 vs 深度学习

深度学习的三大支柱

深度学习之所以在近年爆发，得益于三个条件同时成熟：

深度学习的主要应用

Transformer：改变一切的架构

2017 年 Google 发表的论文《Attention is All You Need》提出了 Transformer 架构，彻底改变了深度学习：

Transformer 的核心创新是注意力机制（Attention）——让模型能"关注"输入中最重要的部分：

输入: "我 昨天 在 北京 吃了 一碗 很好吃 的 拉面"

问: "在哪里吃的？"
注意力: "我 昨天 在 [北京] 吃了 一碗 很好吃 的 拉面"
                    ↑ 注意力集中在这里

训练 vs 推理

作为开发者，你用的是推理阶段——调用已经训练好的模型。训练是 AI 公司的事。

深度学习框架

如果你想深入了解或做研究：

# PyTorch 示例：一个最简单的神经网络
import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Linear(784, 128),  # 输入层 → 隐藏层
    nn.ReLU(),            # 激活函数
    nn.Linear(128, 10),   # 隐藏层 → 输出层
)

🎯 AI编程小贴士：作为 Web 开发者，你不需要学 PyTorch 或训练模型。理解深度学习的基本原理就够了。你的工作是调用 API 构建 AI 应用，而不是训练模型本身。

小结

• 深度学习是使用多层神经网络的机器学习方法
• 层数越多，能识别的特征越复杂（从边缘到整体）
• 三大支柱：大数据 + GPU算力 + 算法突破
• Transformer 是当前最重要的架构，GPT/Claude 都基于它
• 开发者主要使用推理（调 API），不需要自己训练模型
• AI > 机器学习 > 深度学习 > 大语言模型