深度學習基礎(chǔ)(ppt36頁)-展示頁
2025-01-17 05:35本頁面
【正文】 究發(fā)現(xiàn)多隱層的人工神經(jīng)網(wǎng)絡具有優(yōu)異的特征學習能力，學習得到的特征對數(shù)據(jù)有更本質(zhì)的刻畫，從而有利于可視化或分類；而深度神經(jīng)網(wǎng)絡在訓練上的難度，可以通過“逐層初始化”來有效克服。典型的淺層學習結(jié)構(gòu)包括傳統(tǒng)隱馬爾科夫模型 (HMM)、條件隨機場 (CRFs)、最大熵模型 (Max Ent)、支持向量機 (SVM)、核回歸及僅含單隱層的多層感知器 (MLP)等。 淺層學習與深度學習 ? 傳統(tǒng)機器學習和信號處理技術(shù)探索僅含單層非線性變換的淺層學習結(jié)構(gòu)。 人腦的視覺機理 1981年的諾貝爾醫(yī)學獎獲得者 David Hubel和 Torsten Wiesel發(fā)現(xiàn)了視覺系統(tǒng)的信息處理機制，他們 發(fā)現(xiàn)了一種被稱為“方向選擇性細胞的神經(jīng)元細胞，當瞳孔發(fā)現(xiàn)了眼前的物體的邊緣，而且這個邊緣指向某個方向時，這種神經(jīng)元細胞就會活躍。 ? 深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，含多隱層的多層感知器就是一種深度學習結(jié)構(gòu)。 深度學習 ? 自 2023年，深度學習（ Deep Learning）已經(jīng)成為機器學習研究中的一個新興領(lǐng)域，通常也被叫做深層結(jié)構(gòu)學習或分層學習。而特征的樣式目前一般都是靠人工提取特征。 特征的自學習 傳統(tǒng)的模式識別方法： 通過傳感器獲取數(shù)據(jù)，然后經(jīng)過預處理、特征提取、特征選擇、再到推理、預測或識別。Deep Learning 目錄 ? 深度學習簡介 ? 深度學習的訓練方法 ? 深度學習常用的幾種模型和方法 ? Convolutional Neural Networks卷積神經(jīng)網(wǎng)絡 ? 卷積神經(jīng)網(wǎng)絡 （ CNN） 在腦機接口中的應用 What is Deep Learning? A brief introduce of deep learning 機器學習 ? 機器學習（ Machine Learning）是一門專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)市值不斷改善自身的性能的學科，簡單地說，機器學習就是通過算法，使得機器能從大量的歷史數(shù)據(jù)中學習規(guī)律，從而對新的樣本做智能識別或預測未來。 ? 機器學習在圖像識別、語音識別、自然語言理解、天氣預測、基因表達、內(nèi)容推薦等很多方面的發(fā)展還存在著沒有良好解決的問題。 特征提取與選擇的好壞對最終算法的確定性齊了非常關(guān)鍵的作用。而手工選取特征費時費力，需要專業(yè)知識，很大程度上靠經(jīng)驗和運氣，那么機器能不能自動的學習特征呢？深度學習的出現(xiàn)就這個問題提出了一種解決方案。其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡，它模擬人腦的機制來解釋數(shù)據(jù)，例如圖像，聲音和文本，深度學習是無監(jiān)督學習的一種。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，已發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。 由此可知人的視覺系統(tǒng)的信息處理是分級的，高層的特征是低層特征的組合，從低層到高層的特征表示越來越抽象，越來越能表現(xiàn)語義或者意圖，抽象層面越高，存在的可能猜測就越少，就越利于分類。淺層模型的一個共性是僅含單個將原始輸入信號轉(zhuǎn)換到特定問題空間特征的簡單結(jié)構(gòu)。 ? 淺層結(jié)構(gòu)的局限性在于有限的樣本和計算單元情況下對復雜的函數(shù)表示
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1