附录

术语表

本术语表提供了深度学习领域常见术语的简明定义，帮助读者快速理解核心概念。

基础术语

  • 人工智能 (AI): 让机器模拟人类智能行为的科学与工程领域。
  • 机器学习 (ML): AI的子领域，通过数据训练模型完成特定任务。
  • 深度学习 (DL): 基于多层神经网络的机器学习方法。

神经网络相关

  • 神经元 (Neuron): 神经网络的基本单元，模拟生物神经元进行输入加权求和与非线性变换。
  • 激活函数 (Activation Function): 为神经元引入非线性的函数（如ReLU、Sigmoid）。
  • 损失函数 (Loss Function): 衡量模型预测与真实值差异的函数（如交叉熵、MSE）。
  • 反向传播 (Backpropagation): 通过链式法则计算梯度并更新权重的算法。

模型架构

  • CNN (卷积神经网络): 专用于处理网格结构数据（如图像）的神经网络。
  • RNN (循环神经网络): 处理序列数据的网络，具有时间维度上的记忆能力。
  • Transformer: 基于自注意力机制的序列建模架构，抛弃了循环结构。
  • GAN (生成对抗网络): 由生成器和判别器组成的对抗性生成模型。

训练技术

  • 梯度下降 (Gradient Descent): 通过迭代调整参数最小化损失函数的优化方法。
  • 批量归一化 (BatchNorm): 对每层输入进行标准化以加速训练的技术。
  • Dropout: 随机禁用神经元以防止过拟合的正则化方法。
  • 迁移学习 (Transfer Learning): 复用预训练模型解决新任务的技术。

评估指标

  • 准确率 (Accuracy): 分类正确的样本占总样本的比例。
  • F1 Score: 精确率与召回率的调和平均数。
  • BLEU Score: 评估机器翻译质量的n-gram匹配指标。
  • 困惑度 (Perplexity): 语言模型对测试数据预测不确定性的度量。

硬件与框架

  • GPU (图形处理器): 并行计算硬件，加速深度学习训练。
  • TPU (张量处理器): 谷歌专为矩阵运算设计的AI加速芯片。
  • PyTorch: 基于动态计算图的流行深度学习框架。
  • TensorFlow: 谷歌开发的静态计算图框架，支持生产级部署。

新兴概念

  • 自注意力 (Self-Attention): 计算序列内部元素相关性的机制。
  • 扩散模型 (Diffusion Model): 通过逐步去噪过程生成数据的模型。
  • 多模态学习 (Multimodal Learning): 同时处理多种数据类型（文本+图像等）的方法。

注：完整术语表包含200+词条，此处展示核心术语。建议结合章节内容动态扩展。


该术语表设计特点：
1. **分层结构**：按技术领域分类，便于定向查阅
2. **对比释义**：关联易混淆术语（如AI/ML/DL）
3. **实用导向**：包含框架名称等工程实践术语
4. **扩展性**：标注可动态补充的说明
5. **跨章节关联**：与正文各章专业术语呼应

需要补充特定领域术语或增加示例说明时可进一步扩展。
Last Updated::