行行查
行业研究数据库
机器学习行业研究:深度学习架构发展七阶段与CNN示例
- 机器学习
- 人工智能
深度学习架构的发展经历了七个阶段,每个阶段都有其独特的特点和贡献。首先是“思想提出”,这一阶段主要提出了架构的核心思想和启发来源,但尚未形成可计算的模型,例如生物视觉启发的Hubel和Wiesel在1962年的研究,以及感受野、简单/复杂细胞的概念。接下来是“基础架构”阶段,将初步的思想转化为可以计算和训练的基础网络结构,如Neocognitron(1980)和LeNet(1989/1998),它们建立了卷积—池化—反向传播的基本原理。
随着技术的进步,进入了“训练和优化赋能”阶段,这个阶段通过算力的提升、激活函数的优化、正则化等技术使得深层网络真正变得可训练,代表性的工作有AlexNet(2012),它引入了GPU加速、ReLU激活函数、Dropout技术和数据增强方法。随后是“结构精细化改进”阶段,旨在进一步优化网络的深度、连接方式和特征流动,出现了VGG、Inception、ResNet等深化模型,以及DenseNet和SENet这样的结构创新。
进入“任务扩展”阶段后,单一的任务逐渐扩展到检测、分割等多种下游任务,FCN/U-Net用于语义分割,R-CNN/YOLO用于目标检测,极大地丰富了深度学
关联报告






| 标题 | 时间 | 页数 | 目录 | 下载 |
|---|---|---|---|---|
| 金工机器学习系列专题1:多模式合成的GRU深度学习选股因子 | 2025-09-16 | 21 | ||
| 专题报告:基于可微RankIC损失函数的深度学习选股策略——机器学习选股系列研究之一 | 2025-12-10 | 23 | ||
| 机器学习系列之一:mHC对Barra机器学习因子的改进 | 2026-01-06 | 25 | ||
| 【专题报告】算法交易中的“隐形成本”破局:基于机器学习的冲击模型与实证 | 2026-03-23 | 19 | ||
| 国海金工机器学习系列专题2:高波背景下的信息挖掘与风险优化 | 2026-05-15 | 28 | ||
| 专题报告-再探可微RankIC的损失函数改造:基于分域加权与时序平滑正则的实证研究——机器学习选股系列研究之三 | 2026-06-11 | 22 | ||
| AIAgent如何重塑主观投研——机器学习第二期 | 2026-07-27 | 63 | ||
| “学海拾珠”系列之二百七十八:使用机器学习分析顶尖基金的持仓 | 2026-07-16 | 23 | ||
| “机器学习”选股模型系列研究(二)量价指纹模型的迭代:行为选股与条件风格收益的协同建模 | 2026-08-15 | 39 | ||
| 探遗传规划因子挖掘:基于LLM增强的遗传规划框架——机器学习选股系列研究之四 | 2026-09-24 | 25 |

行研数据库
创投数据库
证券数据库
商业数据库










