机器学习、深度学习概念术语的理解

  • feature learning:也叫 representation learning,表示学习;
  • deep learning:deep structural learning,deep machine learning;
    • hierarchical
  • neuron: nerve cell,神经细胞的别称;

0. concepts

  • 机器学习的分类:

    • 预测(predicative),被称为 supervised learning
      • 如果输出为 categorical,问题又可称为 分类或者模式识别;
      • 如果输出为实数(real-valued),问题则被称为回归型问题
    • 描述(descriptive ),则被称为 unsupervised learning,也称为知识发现(knowledge discovery)
  • 可见节点,不可见结点;

    • visible neurons:输入层,输出层;
    • invisible neurons:隐层;
  • linear or non-linear:
    • a=σ(wa1+b) 线性变换,非线性激励
    • wa1+b 线性变换,自然是线性的
    • σ(z) :因为 S 型函数的定义所在,这一步转换又是非线性的

1. retina layer、receptive fields


这里写图片描述

  • m-1 层,也即最开始的层,代表 retina layer 视网膜层(表示整个网络结构的输入)
  • m 层,具有宽度为 3 的 receptive fields,也因此 m 层的神经元只连接着其邻接层(retina layer,m-1 层)中的 3 个神经元;
  • m+1 层具有同 m 层一样的连接性质,其上的 receptive fields 也是 3,但第 m+1 层关于输入层(m-1)层更大,是 5,
    • 参照其英文表述,their(m+1)receptive field with respect to the layer below(m 层)is 3,but their(m+1)receptive field with respect to the input (m-1) is larger(5)。

2. end-to-end

什么是end-to-end神经网络?

端到端,更直观地说,对应着输入到输出(输入层到输出层),对于语音识别(speech recognition)的问题:

  • audio( X )⇒ phonemes ⇒ transcript (Y (X,Y)
  • audio ⇒ transcript



经典机器学习方式是以人类的先验知识将 raw 数据预处理成 feature,然后对feature 进行分类。分类结果取决于 feature 的好坏。所以过去的机器学习专家将大部分时间花费在设计 feature 上。那时的机器学习有个更合适的名字叫 feature engineering。

利用神经网络,让网络自己学习如何抓取 feature 效果更佳。于是兴起了representation learning。这种方式对数据的拟合更加灵活。

网络进一步加深,多层次概念的 representation learning (也就是著名的 deep learning)将识别率达到了另一个新高度。

end to end的好处:通过缩减人工预处理和后续处理,尽可能使模型从原始输入到最终输出,给模型更多可以根据数据自动调节的空间,增加模型的整体契合度

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五道口纳什

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值