深度網(wǎng)絡(luò)與傳統(tǒng)機(jī)器學(xué)習(xí)的重要區(qū)別：傳統(tǒng)機(jī)器學(xué)習(xí)做分類的時(shí)候需要大量的先驗(yàn)經(jīng)驗(yàn)和領(lǐng)域知識(shí)對(duì)分類特征進(jìn)行設(shè)計(jì)，但是又很難保證特征的泛化能力。而深度學(xué)習(xí)可以通過網(wǎng)絡(luò)來擬合特征可以避免這種問題，因?yàn)樯疃葘W(xué)習(xí)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(shí)提高特征的區(qū)分選擇性和特征不變形，而且可微小細(xì)節(jié)的特征進(jìn)行區(qū)分，如從白色的狼中區(qū)分出薩摩耶犬，同時(shí)忽略背景、亮度、姿勢(shì)等特征。

卷積神經(jīng)網(wǎng)絡(luò)的4個(gè)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(gè)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(cè)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(duì)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(shí)現(xiàn)對(duì)低級(jí)特征的組合，轉(zhuǎn)換為高級(jí)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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。