Deep Learing之深度网络与传统的区别以及卷积神经网络的关键想法
深度網(wǎng)絡(luò)與傳統(tǒng)機器學習的重要區(qū)別:傳統(tǒng)機器學習做分類的時候需要大量的先驗經(jīng)驗和領(lǐng)域知識對分類特征進行設(shè)計,但是又很難保證特征的泛化能力。而深度學習可以通過網(wǎng)絡(luò)來擬合特征可以避免這種問題,因為深度學習通過多層結(jié)構(gòu)從原始數(shù)據(jù)中得到的特征可以同時提高特征的區(qū)分選擇性和特征不變形,而且可微小細節(jié)的特征進行區(qū)分,如從白色的狼中區(qū)分出薩摩耶犬,同時忽略背景、亮度、姿勢等特征。
卷積神經(jīng)網(wǎng)絡(luò)的4個關(guān)鍵想法:局部連接、權(quán)值共享、池化以及多網(wǎng)絡(luò)層的使用
局部連接:每一層圖像的局部塊,被一個叫做卷積的濾波器權(quán)值映射到特征圖中;
權(quán)值共享:每一層的特征圖使用的過濾器是相同的,不同層使用不同的濾波器;
池化:卷積層的作用是探測上一層特征的局部連接,然而池化層的作用是在語義上把相似的特征合并起來,池化操作讓這些特征對各種變化具有更好的魯棒性;
多層網(wǎng)絡(luò)的使用:通過多層網(wǎng)絡(luò)實現(xiàn)對低級特征的組合,轉(zhuǎn)換為高級的特征。
總結(jié)
以上是生活随笔為你收集整理的Deep Learing之深度网络与传统的区别以及卷积神经网络的关键想法的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 优秀书籍推荐
- 下一篇: 卷积神经网络--假期---2020.1.