简单的深度学习
通过修改对应的参数,表示逻辑问题
最基本的就是表示简单的或门 和 与门
当要表示异或时,以上的就不够了,还要再加一层,才可以表示
由于神经网络需要非常大量的数据,并且计算量极大(哪怕有GPU)
如果数据不是 很多的情况下,该怎么办???
用深度特征(deep features),迁移学习
用深度学习提取特征,然后用简单的模型进行分类
由上图就可以知道,假设我有一大堆的猫狗的图片,为了精确的区分猫狗,我运用8层,一千五百参数的神经网络。
现在,我又有一些其他的图片,用于区分哪个是椅子,那个不是。但是我的数据量很少,所以就不能用神经网络。那该怎么办??
我们可以考虑 用深度特征(deep features),迁移学习 的方法解决!!!
即用深度学习提取特征,然后用简单的模型进行分类
我们用神经网络训练猫狗时,用了8层,但其实只有最后一两层才是用于区分哪个是猫,哪个是狗!!!其他的都是用于提取图片的特征。比如 光线强度,折叠程度,颜色,等等才!!!其实这些特征可以直接运用到 区分椅子的模型里。即把猫狗大战的神经网络模型的前几层的参数保持不变,直接给 椅子模型使用,再在椅子模型后加上一个简单的分类模型(比如svm,logistic 回归),就形成了最终的模型!!!