深度神经网络（DNN）详细介绍
1. 定义与核心原理
深度神经网络（Deep Neural Network, DNN）是一种具有多个隐藏层的人工神经网络模型，其核心在于通过层次化的非线性变换逐步提取输入数据的高层次抽象特征。与浅层神经网络相比，DNN的隐藏层数量通常超过三层，例如VGGNet、ResNet等经典模型的层数可达数十甚至上百层。这种深度结构赋予其更强的表达能力，能够以更少的神经元实现复杂功能的建模。
核心原理：
- 分层特征学习：每一隐藏层对输入数据进行非线性映射，逐步从低级特征（如边缘、纹理）提取到高级语义特征（如物体形状、语义类别）。
- 表示学习：DNN通过自主学习数据的内在表示，减少对人工特征工程的依赖。例如，卷积神经网络（CNN）通过卷积核自动提取图像的空间特征。
- 通用近似定理：理论上，三层神经网络即可逼近任何连续函数，但深度网络在实践中的效率和泛化能力更优。
发展历程：
- 2006年，Geoffrey Hinton提出基于受限玻尔兹曼机（RBM）的预训练方法，解决了深度网络训练难题，标志着深度学习的复兴。
- 2012年，AlexNet在ImageNet竞赛中取得突破，验证了深度卷积网络的优越性。
- 后续的ResNet引入残差学习，使网络深度突破千
