Глубокое обучение (Deep Learning)

Глубокое обучение (deep learning) — это подход в машинном обучении, в котором используют искусственные нейронные сети со многими слоями взаимосвязанных узлов. Данные последовательно проходят через эти слои, а параметры сети подстраиваются в ходе обучения; классическим методом для многослойных сетей считается обратное распространение ошибки (backpropagation).

Английский термин: deep learning.

Простыми словами

Грубо говоря, глубокое обучение можно представить как цепочку из нескольких «фильтров», где каждый следующий слой смотрит на результат предыдущего и замечает более сложные закономерности. Первый слой может улавливать совсем простые признаки, следующие — их сочетания, а финальный слой превращает это в ответ модели.

Аналогия полезна только как упрощение. Технически речь не о человеческих рассуждениях, а о вычислениях в многослойной сети, где связи между узлами выражены числами и меняются во время обучения.

Как это работает

В официальных материалах PyTorch нейросеть описывается как набор связанных слоёв, а NIST отдельно фиксирует, что feedforward neural network — это сеть, где связи идут от одного слоя к следующему и не образуют цикл. Это удобная базовая схема, чтобы понять deep learning без привязки к одной конкретной архитектуре.

Входные данные
      ↓
Слой 1
      ↓
Слой 2
      ↓
Слой 3
      ↓
Выход модели
      ↓
Сравнение с целевым ответом
      ↓
Ошибка передаётся назад по слоям
      ↓
Параметры связей обновляются

1. Прямой проход. Модель получает вход и последовательно прогоняет его через несколько слоёв.
2. Промежуточные представления. Каждый слой преобразует вход дальше. Именно из-за нескольких уровней таких преобразований подход и называют «глубоким».
3. Получение выхода. На последнем слое сеть выдаёт предсказание или числовой результат.
4. Сравнение с целью. Если задача обучаемая, ответ модели сравнивают с ожидаемым результатом.
5. Обратный проход. Ошибка распространяется назад через слои. Классический источник для этой идеи — статья Learning representations by back-propagating errors.
6. Обновление параметров. После обратного прохода значения связей меняют так, чтобы сеть лучше работала на следующих примерах.

Дальше начинаются варианты архитектур. Для изображений NIST выделяет convolutional neural networks как сети, подходящие для данных сеточной структуры, например изображений. Для очень глубоких современных моделей часто ссылаются на residual-архитектуры, где канонической работой считается Deep Residual Learning for Image Recognition.

Где применяется

• Изображения. Когда данные имеют сеточную структуру, например фотографии, часто используют свёрточные сети. Это один из самых типичных и хорошо формализованных сценариев.
• Текст и NLP. В официальных учебных материалах PyTorch deep learning показывают и на задачах обработки естественного языка, то есть подход не ограничен визуальными данными.
• Построение более глубоких архитектур. Residual-сети стали каноническим примером того, как усложняют архитектуру без смены базовой идеи многослойного обучения.
• Практические ML-конвейеры. TensorFlow прямо описывает себя как end-to-end платформу для построения, обучения и экспорта моделей, то есть deep learning здесь используется не только как теория, но и как инженерный процесс.

Практический пример

Представим простую задачу: у вас есть изображения двух категорий, и вы хотите, чтобы модель относила новое изображение к одной из них. Для такого типа данных логичным кандидатом будет свёрточная сеть, потому что NIST отдельно связывает CNN с сеточными данными вроде изображений.

1. Изображение переводится в числовой вид и подаётся на вход модели.
2. Модель выполняет прямой проход через несколько слоёв и выдаёт оценку класса.
3. Этот ответ сравнивается с правильной меткой.
4. Ошибка проходит назад через слои по схеме backpropagation.
5. Параметры сети обновляются.
6. Цикл повторяется на новых примерах, пока качество ответа не станет приемлемым для вашей задачи.

На практике этот цикл реализуют разными библиотеками. По источникам, актуальным на 2026-08-16, картина выглядит так:

Чем отличается от…

Ограничения и заблуждения

• Заблуждение: «глубокое обучение» = любая нейросеть. В источниках термин обычно связывают именно с нейросетями, у которых много слоёв, а не с любой одиночной или очень простой сетью.
• Заблуждение: deep learning = только CNN и изображения. CNN — важный, но частный случай. Официальные материалы PyTorch показывают deep learning и в контексте NLP.
• Заблуждение: TensorFlow, PyTorch, Keras или JAX — это и есть deep learning. Нет. Это инструменты для работы с моделями, а не определение самого метода.
• Ограничение источников. У deep learning нет одной универсальной словарной формулировки, одинаково закреплённой во всех официальных документах. Одни источники делают акцент на многослойных сетях, другие — на backpropagation, третьи — на инженерной платформе вокруг модели.
• Ограничение по актуальности деталей. По Keras в исходном наборе подтверждена роль Keras 3 как multi-framework API, но не вынесен точный последний номер релиза для безопасного цитирования в этой статье.

Редакционная оговорка: здесь термин сведён к общему минимуму, который устойчиво подтверждается источниками: многослойные нейронные сети, последовательный проход по слоям и обучение через обратное распространение ошибки.

Практический вердикт: если в документации вы видите сеть со многими слоями, прямой проход, вычисление ошибки и её обратное распространение, почти наверняка речь о deep learning. Если же модель основана на другом типе алгоритма, это может быть ML, но не обязательно deep learning.

Связанные термины и материалы

• Машинное обучение (Machine Learning, ML)
• Обучение с учителем (Supervised Learning)
• Обучение без учителя
• Обучение с подкреплением (Reinforcement Learning, RL)
• Недообучение (Underfitting)

Источники

• Defining a Neural Network in PyTorch
• Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 100-2e2025)
• Learning representations by back-propagating errors
• TensorFlow Basics
• Releases · tensorflow/tensorflow
• PyTorch 2.13.0 General Availability
• About Keras
• CHANGELOG.md · jax-ml/jax
• Deep Learning with PyTorch
• Deep Residual Learning for Image Recognition

Вопросы и ответы

Глубокое обучение и нейросеть — это одно и то же?

Не совсем. Deep learning обычно связывают с нейросетями со многими слоями. Отдельная нейросеть как термин может быть уже или шире в зависимости от контекста.

Почему его называют «глубоким»?

Потому что модель строится из нескольких последовательных слоёв. «Глубина» здесь относится к числу уровней преобразования данных.

Что такое backpropagation простыми словами?

Это способ передать ошибку ответа назад через слои сети, чтобы скорректировать параметры связей. Именно эта идея закреплена как классический метод обучения многослойных сетей.

Подходит ли deep learning только для изображений?

Нет. Для изображений особенно известны CNN, но официальные материалы PyTorch показывают deep learning и на задачах обработки текста.

Какие инструменты стоит смотреть в первую очередь?

По официальным источникам на 2026-08-16 чаще всего смотрят TensorFlow, PyTorch, Keras и JAX. TensorFlow описан как end-to-end платформа, PyTorch — как практичный выбор для прототипирования, Keras 3 — как multi-framework API, а JAX — как более низкоуровневый исследовательский инструмент.