第一章 深度学习的技术范式演进与核心架构

1.1 从传统机器学习到深度神经网络的跨越

深度学习的核心在于通过多层次非线性变换自动提取数据特征，其发展历程可划分为三个阶段：符号主义时代的规则驱动（1950s-1980s）、连接主义时代的浅层网络（1990s-2000s）以及深度学习时代的端到端学习（2012年至今）。以ImageNet竞赛为例，AlexNet在2012年将Top-5错误率从26%降至15%，标志着数据驱动范式的全面崛起。

关键技术对比（表格）：

维度	传统机器学习	深度学习
特征工程	人工设计特征	自动特征提取
模型复杂度	线性/浅层非线性	深层非线性组合
数据依赖性	低（小样本可工作）	高（需大规模标注）

1.2 主流架构的创新与优化

• 卷积神经网络（CNN）࿱