当前位置：首页 > news >正文

【深度学习发展史】张量与神经网络|生成模型|序列学习模型|深度强化学习是如何一步步发展的？

news 来源：原创 2024/9/24 8:55:54

【深度学习发展史】张量与神经网络|生成模型|序列学习模型|深度强化学习是如何一步步发展的？

文章目录

【深度学习发展史】张量与神经网络|生成模型|序列学习模型|深度强化学习是如何一步步发展的？
前言
1.张量与神经网络的起源
2.生成模型的发展
3.序列学习的发展
4.深度强化学习的发展
总结

前言

深度学习作为人工智能的一个分支，经历了数十年的发展，形成了如今广泛应用的体系。以下内容将从四个关键方面详细介绍深度学习的发展历程，并结合一些里程碑式的研究与成果加以说明。

深度学习的发展史主要参考唐杰老师的学生整理的一个博文，并结合自己的理解补充。欢迎大家批评指正！
参考链接：
https://weibo.com/2126427211/GavUQjfLa？type=comment#_rnd1543322198481

1.张量与神经网络的起源

1958年，Frank Rosenblatt 提出了感知器（Perceptron），这是最早的神经网络模型之一，能够实现二元分类任务。然而，由于当时的计算能力不足，感知器在处理复杂任务时表现受限，尤其在多层神经网络的训练上出现瓶颈，导致这类网络的发展陷入停滞。
1979年，Kunihiko Fukushima 提出了Neocognitron，它被认为是卷积神经网络（CNN）的雏形。这一模型引入了卷积和池化的概念，用于提取图像中的局部特征，对后来的图像识别有重要影响。
1986年，Geoffrey Hinton 提出了反向传播算法（Backpropagation），这是神经网络训练的一次革命性突破。Hinton的工作使得多层神经网络（即多层感知器，MLP）可以通过梯度下降进行有效训练，推动了深度学习的发展。反向传播算法成为深度学习的核心基础之一，直到今天仍在广泛使用。
1998年，Yann LeCun 提出了LeNet-5，这是一个7层的卷积神经网络，用于手写数字识别（MNIST 数据集）。LeNet-5 的提出标志着卷积神经网络（CNN）开始进入实用阶段，成为处理图像数据的主要工具之一。
2012年，AlexNet 在 ImageNet 大赛上取得突破，显著提升了图像识别的准确性。AlexNet 的成功归功于使用了更深的网络结构、ReLU 激活函数和 Dropout 正则化技术，以及当时强大的 GPU 算力。AlexNet 的成功使得深度学习在计算机视觉领域的应用广泛普及。
2015年，Google 的团队提出了 GoogLeNet 和 Inception 模型，进一步优化了网络的深度和计算效率。
2016年，华人学者何恺明提出了ResNet（残差网络），通过引入残差结构，成功解决了深层网络中的梯度消失问题，推动了超深神经网络的发展。ResNet 也是卷积神经网络在各类竞赛和应用中广泛使用的重要模型。
2017年，何恺明的团队又提出了DenseNet，这种网络通过密集连接将每一层的输出直接传递到所有后续层，进一步提高了网络的学习效率和特征复用能力。

2.生成模型的发展

20世纪80年代，Hinton 提出了受限玻尔兹曼机（RBM），用于无监督学习。2006年，RBM 被叠加成深度信念网络（DBN），这标志着叠加网络的一个重要开端。DBN 可以逐层训练，解决了深层网络训练中的梯度消失问题。
1980年代，Autoencoder（自编码器） 作为一种无监督学习方法被提出。Autoencoder 用于降维和特征提取，后来被广泛应用于生成模型。
2008年，Yoshua Bengio 提出了去噪自编码器（Denoising Autoencoder），在自编码器的基础上增强了网络的鲁棒性。
2013年，Kingma 和 Welling 提出了变分自编码器（VAE），这是一种生成模型，能够对数据进行概率建模。
2014年，Ian Goodfellow 和 Bengio 等提出了生成对抗网络（GAN），这是生成模型的一个革命性发展。GAN 由生成器和判别器组成，通过博弈论的方式训练，能够生成逼真的数据。GAN 的提出极大地推动了生成模型的研究，使得该领域迅速成为热门。随后，出现了许多 GAN 的变种模型，包括DCGAN、CGAN、WGAN 等。

3.序列学习的发展

1982年，Hopfield 网络被提出，用于处理时间序列数据。这是序列学习的早期模型。
1997年，Sepp Hochreiter 和 Jürgen Schmidhuber 提出了长短期记忆网络（LSTM），LSTM 能够有效地捕捉序列中的长期依赖，解决了传统 RNN 中梯度消失的问题。LSTM 广泛应用于语音识别、机器翻译等序列任务。
2013年，Hinton 的团队将RNN 和 LSTM 应用于语音识别，取得了显著的突破，极大地推动了序列学习的发展。
2003年，语言模型（LM）开始逐步成熟，2013年，Mikolov 提出了Word2Vec，引入了词向量的概念，为自然语言处理领域的研究奠定了基础。
随后，Glove、FastText 等词向量模型相继出现，并不断提升 NLP 任务的表现。
2018年，基于Transformer架构的预训练模型BERT横空出世，成为 NLP 领域的重要突破。BERT 能够在多个 NLP 任务中取得最佳效果，并改变了 NLP 的主流方法。

4.深度强化学习的发展

2013年，Google 的 DeepMind 团队提出了Deep Q-Learning（深度 Q 学习），将深度学习引入强化学习，取得了良好的表现。该方法在 Atari 游戏中展现了极高的智能水平，成为深度强化学习的里程碑。
2015年，Double DQN 提出，进一步提高了 Q-learning 的稳定性。
2016年，DeepMind 提出了AlphaGo，通过结合深度学习和蒙特卡洛树搜索，成功击败了人类围棋冠军。AlphaGo 的成功极大地提升了公众对 AI 的关注度，并推动了深度强化学习的快速发展。
2017年，AlphaGo Zero 推出，这一版本的 AlphaGo 不再依赖人类数据，通过自我对弈进行训练，展现了 AI 自我学习的潜力。