深度学习(deep learning)
概念：简单来说，深度学习就是机器学习的一个子领域。是机器学习中的一个特定的分支，它主要使用一种叫做神经网络的复杂结构。
机器学习与深度学习的区别：
| 特性 | 机器学习(ML) | 深度学习(DL) |
|---|---|---|
| 关系 | 一个广阔的领域，包含很多不同的方法 | 机器学习的一个子集 |
| 数据依赖 | 性能随数据增加而提升 | 需要大量数据，性能通常会随着数据量增加而 持续上升 |
| 硬件依赖 | 可以在普通CPU上运行 | 高度依赖高性能硬件GPU |
| 特征工程 | 极度重要且依赖专家，需要人工从原始数据中提取特征、选择和构建特征 | 自动化。神经网络能够自动从原始数据中发现和学习相关特征 |
| 问题的解决 | 通常将大问题分解为小问题，逐个解决后合并 | 端到端学习。直接将原始数据输入，模型自己输入并输出最终结果 |
| 训练时间 | 短，通常是几分钟到几小时 | 非常长，因为参数众多，结构复杂，通常需要几天甚至几周的时间 |
| 应用案例 | - 垃圾邮件过滤 - 房价预测（线性回归） - 客户分群（K-Means聚类） -推荐系统（协同过滤） |
- 图像识别（分类、目标检测、语义分割、实例分割） - 自然语言处理（NLP）（机器翻译、ChatGPT等ai对话模型） - 语言识别（Siri、小爱同学等） - 自动驾驶 |
卷积神经网络(Convolutional Neural Network, CNN)
概念：它是一种专门针对有网格结构的数据进行处理的深度学习模型，这类数据包含图像、视频以及音频等，它在计算机视觉领域收获了极大成功，被广泛运用于图像分类、目标检测以及图像分割等任务之中。
卷积神经网络(CNN)的组成：
卷积层
卷积层是卷积神经网络的关键组成部分，其作用是从输入数据里提取特征，它的运行涉及了卷积操作、填充以及步幅等环节。
简单概括：卷积核是一个小的、带权重的矩阵（或网格），是卷积神经网络（CNN）中用于提取特征的核心工具。你可以把它想象成一个手电筒或一个过滤器，用它来扫描整个图像，从而照亮（或发现）图像中的某些特定模式。
卷积操作过程：
填充操作（最常见的填充为0填充）主要是两个作用：
- 控制输出尺寸：防止图像在经过多次卷积后变得太小。
- 保护边缘信息：让边缘的像素也能更多地参与到卷积计算中。
池化层(Pooling Layer)
池化层的作用就是降低图像维度，保留关键特征，以提高模型的计算效率。
池化层的计算可以分为两种：最大池化（取最大值）和平均池化（取平均值）。
激活函数层
激活函数的作用在于引入非线性特征，让神经网络有能力去学习以及表达复杂的特征。
常见的激活函数：
- Sigmoid函数，是一种s型曲线函数，输入范围是（负无穷，正无穷），输出范围是（0，1）。
- Tanh函数，与Sigmoid函数类似，也是s型曲线函数，输入范围是（负无穷，正无穷），输出范围是（-1，1）。
- ReLU函数，当输入x大于0时会输出x，输入小于等于0时会输出0。
评估标准
在利用卷积神经网络即CNN开展目标识别任务之时，评估模型的性能属于衡量其有效性以及实用性的关键要点，对于识别模型的评估一般覆盖准确性、速度、计算复杂度、模型的鲁棒性以及泛化能力等多个层面。
常见的模型评估方式：
- 混淆矩阵：可直观地将模型的分类结果呈现出来，其以矩阵的形式，把模型预测的类别同真实的类别之间的匹配状况给予呈现。
- F1-置信度曲线：呈现的是模型的置信度与F1-score之间的关联。
- 精确率-召回率曲线(P-R曲线)：呈现模型与召回率之间的关系。
数据集
数据集（Dataset）就是用来教育和考核人工智能模型的大量数据的集合。它就像是给学生（模型）用的教科书、习题集和期末考试卷。
- 教科书（训练集）：你给他看很多带有标签的猫和狗的图片（“这是猫”、“这是狗”）。他通过反复学习这些图片，自己总结出猫的特征（比如尖耳朵、竖瞳）和狗的特征（比如长舌头、耷拉耳朵）。
- 模拟考（验证集）：学完一章后，你拿一些他没见过的新图片（但你自己知道答案）来考他，看看他学得怎么样。根据他的考试成绩，你可能会调整他的学习方法（比如多看看容易混淆的品种）。
- 期末考试（测试集）：整个课程结束后，你进行一次最终、完全陌生的考试。这次成绩才能真正代表他学到了多少知识，能否毕业。
YOLOv5数据集展示：
