微看书

深度学习：从“机器学东西”到“ai能干活”的底层逻辑（第3页）

比如正确标签是“猫的概率100%，狗0%，汽车0%”，机器的答案是“猫30%，狗60%”，那误差就很大——损失函数会用数学方法算出这个误差的具体数值，比如误差值是0.8（数值越大，错得越离谱）。

4. 第四步：“改错题”——反向传播，调整参数

知道错了，就得改——这一步是深度学习的核心，叫“反向传播”。简单说，就是“从输出层往回推，看哪个参数错了，怎么改能让误差变小”。

比如机器算错“猫”的概率，可能是因为“猫的耳朵尖”这个特征的权重设低了（比如只设了0.3，其实应该设0.8），或者“狗的尾巴长”这个特征的权重设高了（比如设了0.7，其实应该设0.2）。反向传播会像“破案”一样，找到这些有问题的参数，然后根据误差大小，一点点调整它们的值——比如把“耳朵尖”的权重从0.3调到0.4，把“尾巴长”的权重从0.7调到0.6。

小主，这个章节后面还有哦，请点击下一页继续阅读，后面更精彩！

这一步就像你做题错了，老师告诉你“这道题是公式用错了，应该把a换成b”，你下次做题就会调整公式里的参数，避免再错。

5. 第五步：“反复练习”——迭代，直到误差足够小

一张图片改完参数还不够，机器会把10万张图片一张一张地“做一遍题、改一遍错”，这叫“一轮训练”。然后再从头开始，做第二轮、第三轮……直到损失函数算出的误差“足够小”，比如误差值小于0.01——这时候机器认猫的准确率可能达到98%，就算“学会了”。

你看，整个学习过程就是“前向传播算答案→损失函数算误差→反向传播调参数→反复迭代”，跟人学东西的逻辑完全一样：先尝试，再纠错，再调整，最后熟练。

这里有个小细节：机器“学习”的时候，不是把所有数据一次性用完，而是分成“批次”（比如一次用100张图片），每批学完就调一次参数，这样效率更高——就像你学英语，不是一天背完1000个单词，而是每天背100个，分10天背，效果更好。

四、深度学习能干嘛？不是“只会聊天画图”，早已渗透到你生活的每个角落

很多人对深度学习的印象还停留在“ChatGPT能聊天”“AI能画图”，其实它早就悄悄走进了你的生活，从早上起床到晚上睡觉，你可能已经跟它打了十几次交道。

咱们按“一天的生活”来盘点一下深度学习的应用：

1. 早上起床：被深度学习“叫醒”

- 手机闹钟的“智能跳过”：有的手机闹钟有“智能跳过节假日”功能，背后是深度学习分析你的日历数据，判断“今天要不要响铃”。

- 人脸识别解锁手机：你拿起手机，屏幕对着脸，瞬间解锁——这是深度学习在“实时识别你的面部特征”，比如眼睛的距离、鼻子的形状、下巴的轮廓，确认“是机主本人”才解锁。

- 智能音箱的“语音唤醒”：你说“小爱同学”“小度小度”，音箱能立刻回应，是因为深度学习一直在“听”特定的唤醒词，过滤掉其他声音（比如电视声、说话声）。

2. 上班路上：深度学习帮你“避坑”

- 导航软件的“实时路况”：你打开高德或百度地图，它能告诉你“前方3公里堵车，预计延误20分钟，建议走备选路线”——这是深度学习分析 millions（百万）级别的车辆定位数据，判断路况，预测通行时间。

- 网约车的“智能派单”：你下单后，平台能快速匹配附近的司机，是因为深度学习计算“你和司机的距离、司机的接单习惯、路线拥堵情况”，找到最优的匹配方式。