多层神经网络出来以后，只火了一小会。上世纪90年代到2006年，叫人工神经网络的沉寂期。原因如下：

激活函数activation function：将阶段输出值使用一个函数进行数值变化。

GPT-3 在小样本学习中表现出卓越的能力，但它需要使用数千个 GPU 进行数周的训练，因此很难重新训练或改进。

在小数据量的时代，如 100、1000、10000 的数据量大小，可以将数据集按照以下比例进行划分：

在计算机视觉领域，通常要做的就是指用机器程序替代人眼对目标图像进行识别等。那么神经网络也好还是卷积神经网络其实都是上个世纪就有的算法，只是近些年来电脑的计算能力已非当年的那种计算水平，同时现在的训练数据很多...

对于之前介绍的卷积运算过程，我们用一张动图来表示更好理解些。一下计算中，假设图片长宽相等，设为N

下面我们主要以一些常见的网络结构去解析，并介绍大部分的网络的特点。这里看一下卷积的发展历史图。

常见的卷积神经网络结构： 服务器上：LeNet、AlexNet、VGG、InceptionV1-V4、Inception-ResNet、ResNet 手机上：SqueezNet、NASNet

通过一张图像来解释人工智能、机器学习。深度学习三者关系。假设让机器模拟人脑，分辨羊，猪，牛三种动物： （1）人工智能就是为机器赋予人的智能，模拟人脑分辨过程； （2）机器学习通过手动特征提取图像特征、设计算法区别特征，最后进行...

监督学习模型的优异性能要以大量标注数据作为支撑，可现实中获得数量可观的标注数据十分耗费人力物力。于是，半监督学习逐渐成为深度学习领域的热门研究方向，只需要少量标注数据就可以完成模型训练过程，更适用于现实场景中...