深度学习
Deep Learning
学到 认得 就够：听到能明白
你可能会说
“我读教育研究的方法部分遇到“深度学习”，这里的“深”是在说模型懂得深吗？”
深度学习主要用多层神经网络学习表示与预测规则。“深”指多层计算变换，使模型能逐步组合特征，并不表示结论必然深入或可靠。
使用 AI
科研里的例子
比较词频回归与深度文本模型识别政策工具的效果，除平均分外，还检查否定句与跨地区表达的差错。
浅层方法往往依赖研究者预先构造特征，深度模型则能在训练目标约束下学习许多中间表示。例如从局部文字线索组合成句子特征，再用于分类。表示与任务一起优化，使其具有适应复杂资料的能力，也带来数据需求和诊断困难。层数、训练数据和优化方法共同影响表现；只有增加层数，不保证模型更强，更不能据此跳过人工抽查。
判断
亲手检查一次
画出词频模型和多层文本模型的输入、中间表示、输出，对照它们哪些特征由人指定，哪些通过训练获得。
它做不到的
深度学习不等于大语言模型，也不要求每次都从零训练；小样本结构化数据未必需要深度网络。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。
来源
- Goodfellow 等 · Deep Learning 第1章2026-11-06 核对
- Goodfellow 等 · Deep Feedforward Networks2026-11-06 核对
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。