DL（深度学习）深度学习是机器学习的一个子集，专注于具有多层的神经网络（深度网络）来识别和学习数据中的复杂模式。它能够从图像、语音和文本等原始数据中自动、分层地学习抽象特征。深度学习在计算机视觉和语言处理等领域取得了重大进展，例如在识别图像中的对象或机器翻译方面。
人工智能通过迭代过程进行学习，该过程通常包括训练和测试阶段。下面简单介绍一下学习过程：
1.数据准备：首先，将可用数据分为训练集、验证集和测试集。训练集用于训练AI模型，而测试集用于评估训练后模型的性能。验证集在训练期间用于优化模型。然后进行进一步的步骤，例如数据清理（清理数据、删除数据中的零值等）和归一化。
2. 训练：在训练阶段，AI模型被输入训练数据。该模型根据输入进行预测，并将其与实际输出（在监督学习中）进行比较。然后使用损失函数来量化预测和实际输出之间的误差。
3.调整：根据计算出的损失，AI模型调整其内 医疗邮件列表 部参数（例如神经网络中的权重）以减少未来预测的误差。这个调整过程通常由梯度下降等优化算法控制。
4.迭代：重复步骤2和3（训练和适应），直到达到一定数量的迭代（epoch）或者模型在训练数据上的性能达到期望的水平。
5. 验证：模型训练完成后，将在测试集上进行测试，以评估其在未知数据上的性能。这表明模型的泛化程度以及模型是否可能过度拟合（对数据拟合得太好）或欠拟合（对数据拟合太差）。
6. 微调和评估：如有必要，可以调整模型超参数或模型架构并重复训练过程，以进一步优化性能。最后，使用优化后的AI模型来解决底层任务。
这个学习过程可能会根据人工智能模型的类型（例如监督学习、无监督学习或强化学习）和具体应用而有所不同，但训练的基本原理仍然相似。
卷积神经网络 (CNN)
卷积神经网络或 CNN 是一种常用于图像识别和图像分割的人工神经网络。它的功能与人眼类似。 CNN 的基本特征是：
卷积层：这些层执行卷积运算以从输入数据中提取特征。他们使用放置在输入数据上的过滤器（也称为内核）来检测模式和结构。
池化层：这些层减少了卷积层的维数，并使特征对小变化更加鲁棒。最常见的池化方法是最大池化和平均池化。