深度学习
摘要
谷歌
深度学习可以让多出处理层组成的计算模型学习多层级抽象的数据表征。这些方法对一些前沿的技术得到很大的提高,例如语音识别,可视目标识别,目标检测和许多其他领域,比如药物研究,基因组。深度学习可以发现大数据集的复杂结构,它通过bp算法来解释机器如何变化自己的内部参数,而这些参数用于计算从前一层到每层的表示。深度学习网络带来了重大突破,在图像处理,视频,语音和音频方面,而且循环网络对于文本和语音这样的序列数据有很多亮点。
引言
机器学习技术使当代社会很多领域有了力量:从网站搜索到社交网络的内容过滤,到商务网站的推荐,而且它在消费产品中出现越来越多,例如相机,智能手机。机器学习系统用于识别图像中的目标,将语音转化为文本,匹配消费者感兴趣的新的条目,标杆和产品。选择有关的搜索结果。渐渐地,这些应用充分利用了深度学习这种分类技术。
传统机器学习技术局限于他们的处理原始自然数据的能力。近10年的过程,构建一个模式识别或机器学习系统需要细致的工程和相当多的专业知识去设计一个特征提取器。这个特征提取器将原始数据(例如图像的像素值)转化为合适的内部表征或特征向量,从这些特征向量中,学习子系统(常常是一个分类器)可以在输入时对模式进行检测或分类。
表征学习是一些列方法,这些方法可以让机器输入原始数据且自动发现检测和分类所需要的特征。深度学习方法是含有多级别表征的表征学习方法,这个方法是通过对简单的非线性的模型集合得到,每一个非线性模型把一层的表征转化为跟高更抽象