文献综述
什么是深度学习，深度学习是机器学习的一个分支和延伸，是人工智能领域的前沿技术，人工智能包含机器学习，机器学习又包含深度学习。人工智能是指拥有人的智能，能以与人类智能相似的方式做出反应的智能机器。该领域的研究内容包括机器学习、语音识别、图片识别、自然语言处理和专家系统等。人工智能是个非常宽泛的概念，而机器学习是一种实现人工智能的方法，是人工智能的子集。机器学习可以被定义为从数据中总结经验，从数据中找出某种规律或者模型，并利用这些经验，规律或者模型来解决问题。机器学习算法主要包括决策树、聚类、贝叶斯分类、支持向量机、随机森林等。按照学习方法的不同进行划分，机器学习算法可以分为监督学习、无监督学习、半监督学习、集成学习、深度学习和强化学习。深度学习是机器学习的一个分支，是一种实现机器学习的技术。深度学习本来并不是一种独立的学习方法，但由于近几年该技术的发展迅猛，一些特有的学习手段和模型相继出现，因此越来越多的人将其看做单独的一种学习方法。最近几年利用知识图谱来实现文本自动生成也是人工智能研究的一个重要方面,我们期待着有电脑可以像人类一样写出高质量的自然语言文本的一天[1]。
一、深度学习的原理与方法
深度学习的概念源于对人工神经网络的研究，其动机在于建立、模拟人脑进行分析学习的神经网络，模拟人脑的机制来解释图像、声音和文本等数据。
神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，是深度学习最核心、最重要的结构。常见的神经网络主要有三种：前馈神经网络、卷积神经网络和循环神经网络。
1.前馈神经网络是一种最简单的神经网络，各单元分层排列，每个神经元只与前一层神经元相连，接受前一层的输出，并输出给下一层。
2.卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，被大量的应用于计算机视觉、自然语言处理等领域。
3. 循环神经网络(Recurrent Neural Network，简称RNN)是机器学习中的一种模型。它以序列数据为输入，在序列的前进方向进行循环递归且所有节点单元按链式连接的神经网络。JEFFREY最早提出了RNN模型。RNN可以有效地针对序列数据(例如语言文本)进行学习，提取到序列数据中的非线性特征，所以RNN适用于自然语言处理(Natural Language Processing，简称NLLP)领域，例如文本生成、手写识别、语音识别、机器翻译等[3]。
二、PyTorch
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
