第3章：AI技术基础（下）：深度学习入门
好，咱们接着聊。上一章我们把机器学习的基础打了一遍，这一章我带你走进深度学习的世界。说实话，我刚入行那会儿，深度学习还是个挺玄乎的词。后来做项目做多了，发现它其实就是一套更强大的工具——能处理更复杂的数据，比如图片、语音、文本。
你想想看，传统机器学习处理表格数据还行，但一张1024x768的图片，直接扔给逻辑回归？那特征维度就爆炸了。深度学习就是来解决这类问题的。
3.1 神经网络：从感知机到多层网络
神经网络这东西，说白了就是模仿人脑的神经元结构。当然，别被“模仿人脑”吓到，实际就是个数学函数。
最简单的单元叫感知机。它接收多个输入，每个输入有个权重，加起来过个激活函数，输出0或1。嗯，这里要注意：单层感知机只能解决线性可分问题。我在项目中遇到过，有人想用单层感知机做图像分类，结果怎么调都不收敛——因为图像数据本质上是非线性问题。
那怎么办？堆层数。把多个感知机叠起来，就成了多层感知机（MLP）。结构很简单：
- 输入层：接收原始数据，比如图片的像素值
- 隐藏层：中间的计算层，可以有一层或多层
- 输出层：输出最终结果，比如分类标签
我个人的习惯是，设计网络时先从2-3层开始试。别一上来就整个50层的ResNet，调参能调到怀疑人生。
核心要点：神经网络的本质是“万能近似器”。只要有足够的神经元和层数，理论上可以拟合任何函数。但实际中，过深的网络会带来梯度消失/爆炸问题——这个后面会讲。
3.2 卷积神经网络（CNN）：专治图像问题
CNN是我最喜欢的网络结构之一。为什么？因为它聪明。全连接网络处理图像时，每个像素都要跟下一层所有神经元连接，参数多到爆炸。一张256x256的彩色图，输入维度就是196608，全连接第一层如果有1000个神经元，光这一层就有近2亿个参数——训练个鬼。
CNN用了两个核心技巧来解决：
- 局部连接：每个神经元只连接输入的一小块区域（感受野）
- 权值共享：同一个卷积核在整个图像上滑动，参数是共享的
举个例子，一个3x3的卷积核，参数只有9个（加上偏置共10个），但它能提取整个图像的边缘、纹理等特征。我在做电商图片分类项目时，就是用CNN提取商品图片的特征，准确率从传统方法的72%直接干到了91%。
典型的CNN结构包含：
- 卷积层：提取特征，比如边缘、角点
- 池化层：降采样，减少参数，防止过拟合
- 全连接层：最后做分类或回归
实战技巧：设计CNN时，我建议卷积核大小用3x3或5x5，步长用1，padding用same。这样特征图尺寸不变，信息损失少。池化层一般用2x2最大池化，步长2，尺寸减半。
3.3 循环神经网络（RNN）：处理序列数据
CNN处理图像很牛，但遇到文本、语音、时间序列这种数据就抓瞎了。为什么？因为这些数据有先后顺序，前面的内容会影响后面的理解。你想想看，“我喜欢苹果”和“苹果发布了新手机”，同一个“苹果”意思完全不同——上下文决定的。
RNN就是为序列数据设计的。它的核心思想是：每个时间步的隐藏状态不仅由当前输入决定，还受上一个时间步的隐藏状态影响。说白了，它有“记忆”。
但RNN有个大问题：长期依赖。当序列很长时（比如一篇500字的文章），前面的信息传到后面已经衰减得差不多了。我在做情感分析项目时，用普通RNN处理长评论，效果很差——模型根本记不住开头说了什么。
解决方案是LSTM（长短期记忆网络）和GRU（门控循环单元）。它们引入了“门”机制，可以选择性地记住或遗忘信息。LSTM有三个门：
- 遗忘门：决定丢弃哪些旧信息
- 输入门：决定存储哪些新信息
- 输出门：决定输出哪些信息
避坑指南：我曾经在项目中直接用普通RNN处理200步以上的序列，结果梯度爆炸了。后来换成LSTM，加了个梯度裁剪（gradient clipping），问题就解决了。记住：处理长序列，优先选LSTM或GRU。
3.4 NLP与计算机视觉基础
这两个领域是深度学习应用最广的方向。作为AI产品经理，你不一定要会手写模型，但必须理解它们能做什么、不能做什么。
NLP基础
自然语言处理的核心任务包括：
| 任务 | 说明 | 典型应用 |
|---|---|---|
| 文本分类 | 判断文本的类别 | 垃圾邮件过滤、情感分析 |
| 命名实体识别 | 识别文本中的人名、地名、组织名 | 信息抽取、知识图谱构建 |
| 机器翻译 | 将一种语言翻译成另一种 | Google翻译、DeepL |
| 文本生成 | 根据输入生成连贯文本 | ChatGPT、文案生成 |
文本怎么变成数字让模型理解？答案是词嵌入。把每个词映射成一个向量，比如“国王” - “男人” + “女人” ≈ “女王”。这个性质很有意思，说明模型学到了词之间的语义关系。
计算机视觉基础
CV的核心任务：
- 图像分类：这张图里是什么？比如猫还是狗
- 目标检测：图里有什么物体，在什么位置？比如行人检测
- 图像分割：把图中的每个像素分类，比如自动驾驶中的道路、车辆、行人分割
- 图像生成：根据描述生成图片，比如Stable Diffusion
我记得有个项目要做商品图片的自动标注，用目标检测模型YOLOv3，在几千张标注数据上训练后，准确率能达到85%以上。但要注意，如果商品种类太多（比如超过100类），模型效果会明显下降——这时候需要更复杂的模型或者更多的数据。
3.5 模型训练与评估指标
模型搭好了，怎么训练？怎么知道它好不好？这部分是产品经理必须掌握的，因为你得跟算法工程师沟通需求、评估效果。
训练流程
标准流程分五步：
- 数据准备：收集、清洗、标注、划分训练集/验证集/测试集
- 模型定义：选择网络结构，设置超参数（学习率、批次大小等）
- 损失函数：定义优化目标，分类用交叉熵，回归用均方误差
- 优化器：选择梯度下降算法，Adam是默认首选
- 迭代训练：前向传播→计算损失→反向传播→更新参数
这里有个关键点：训练集、验证集、测试集一定要分开。我见过有人用测试集调参，结果模型在真实场景中表现一塌糊涂——这叫数据泄露，是新手常犯的错误。
评估指标
不同任务用不同指标。分类任务最常用：
| 指标 | 公式 | 说明 |
|---|---|---|
| 准确率 | (TP+TN)/(TP+TN+FP+FN) | 整体正确率，但类别不平衡时不可靠 |
| 精确率 | TP/(TP+FP) | 预测为正例的样本中，真正正例的比例 |
| 召回率 | TP/(TP+FN) | 真正的正例中，被正确找出来的比例 |
| F1分数 | 2*P*R/(P+R) | 精确率和召回率的调和平均 |
| AUC | ROC曲线下面积 | 衡量模型排序能力，0.5=随机，1=完美 |
产品经理必知：跟算法同学沟通时，别只问“准确率多少”。要问清楚是哪个指标。比如做反欺诈模型，精确率比召回率重要——宁可漏掉几个欺诈，也别误伤大量正常用户。反过来，做癌症筛查，召回率更重要——宁可误诊，也别漏诊。
回归任务常用指标：
- MAE：平均绝对误差，直观易懂
- MSE：均方误差，对大误差惩罚更大
- R²：决定系数，衡量模型拟合优度，越接近1越好
嗯，这一章内容不少。从神经网络的基本原理，到CNN处理图像、RNN处理序列，再到NLP和CV的基础任务，最后是训练流程和评估指标。你把这些搞懂了，跟算法团队沟通基本不会掉链子。
下一章我们聊聊数据——AI产品的命脉。数据怎么来、怎么管、怎么用，都是实战中绕不开的坑。