智能前端项目开发 课件模块105 使用手写数字分类对比浅层与深度学习.pptxVIP

《智能前端项目开发》了解深度学习与生成式AI任务实践

实验概述本实验通过手写数字分类任务，对比浅层学习与深度学习的核心差异。实验采用MNIST数据集，两组实验仅特征提取方式与网络结构不同，其余参数完全一致。浅层学习使用人工构造特征（均值+方差），配合单隐藏层网络。深度学习直接以原始像素为输入，由多层网络自动完成特征学习。

浅层学习——人工特征的局限性浅层学习实验仅从图像中提取均值和方差两种特征，使用单隐藏层网络完成分类。测试准确率仅为21.48%，识别效果极差。原因在于：人工特征维度极低，图像中的边缘、纹理等有效信息大量丢失；单层网络拟合能力薄弱，无法学习有效区分特征。实验充分体现了浅层学习处理复杂数据任务的严重局限性。

深度学习——自动特征提取的优势深度学习实验以原始像素为输入，由三层隐藏层网络自动完成特征提取与抽象。测试准确率高达96.11%，远超浅层模型。深度学习通过逐层抽象，从像素到边缘、轮廓、整体形态，逐级提取关键特征，最大限度保留有效信息。多层结构赋予模型强大的拟合与泛化能力，实现了识别精度的质的飞跃。

从手写数字识别到生成式AI浅层学习依赖人工特征，仅能学习表层规律；深度学习通过自动逐层抽象，自主挖掘数据深层关联。这一原理同样适用于生成式AI。GPT等大模型底层正是多层Transformer堆叠构成的深度网络，其“像素→边缘→轮廓→整体形态”的特征提取路径与手写数字