深度網絡與傳統機器學習的重要區別：傳統機器學習做分類的時候需要大量的先驗經驗和領域知識對分類特征進行設計，但是又很難保證特征的泛化能力。而深度學習可以通過網絡來擬合特征可以避免這種問題，因為深度學習通過多層結構從原始數據中得到的特征可以同時提高特征的區分選擇性和特征不變形，而且可微小細節的特征進行區分，如從白色的狼中區分出薩摩耶犬，同時忽略背景、亮度、姿勢等特征。

卷積神經網絡的4個關鍵想法:局部連接、權值共享、池化以及多網絡層的使用

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值映射到特征圖中；
權值共享：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；
多層網絡的使用：通過多層網絡實現對低級特征的組合，轉換為高級的特征。

總結

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容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。