本文介绍了深度神经网络的基础概念，包括神经网络的结构与深度学习的区别。深度学习通过多层抽象学习特征，如CNN利用卷积层进行图像识别。训练过程涉及反向传播算法，理解梯度求导对损失函数的影响至关重要。同时，文章讨论了神经网络在驾驶行为预测中的应用，强调深度学习需要明确目标、高效学习方法、知识整合及错误反思的重要性。
1、神经网络（深度学习）的几个基础概念
从广义上说深度学习的网络结构也是多层神经网络的一种。传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。而深度学习中最著名的卷积神经网络CNN，在原来多层神经网络的基础上，加入了特征学习部分，这部分是模仿人脑对信号处理上的分级的。具体操作就是在原来的全连接的层前面加入了部分连接的卷积层与降维层，而且加入的是一个层级。输入层 - 卷积层 -降维层 -卷积层 - 降维层 -- .... -- 隐藏层 -输出层简单来说，原来多层神经网络做的步骤是：特征映射到值。特征是人工挑选。深度学习做的步骤是 信号->特征->值。 特征是由网络自己选择。
谷歌人工智能写作项目：小发猫
2、深度神经网络是如何训练的？
Coursera的Ng机器学习，UFLDL都看过简述深度神经网络基本原理。没记错的话Ng的机器学习里是直接给出公式了，虽然你可能知道如何
最低0.47元/天 解锁文章
6926
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
