(此处已添加圈子卡片,请到今日头条客户端查看)正文
线性分类器是这样的:
当大于0 的时候为正类,当小于0的时候为负类,在神经网络中我们可以使用图来表示这样的分类器。
我们称这个为单层的神经网络,这个简单的神经网络可以完成如下两个操作:
一个是OR操作,一个是AND操作,举例OR操作,当我们设置输入特征x1和x2的权重为1的时候,只要结果大于0,那么y=1,如果小于0那么y=0.这样就实现了OR操作。
这两个操作,线性分类器也可完成,所以我们可以认为单层的神经网络就是简单的线性分类器。
那么什么是线性分类器无法表示的呢?
没有任何直线可以将加号和减号区别开来,这个操作叫做逻辑异或运算,也就是线性分类器无法完成逻辑异或运算,而单层的神经网络也无法完成逻辑异或运算。
所以线性特征就无法完成这个任务了,我们需要一些非线性的特征z1和z2。那么怎样才可以得到非线性特征呢?
总结为神经网络就是将我们的特征进行多层的线性和非线性变换,最终变为非线性的特征。
深度学习在计算机视觉中的应用:
在计算机视觉里,图像特征就是局部探测器,把这些探测器综合起来就能做出预测,也就是图像识别。
假如我们要预测一张图片是否是人脸,我们需要各种探测器来识别这个图像,比如鼻子探测器,眼睛探测器等等
其实,在实际中是没有鼻子和嘴巴探测器的,图像特征就是局部兴趣点的组合,组合在一起构成分类器。
以前的时候描述这些特征是手工完成的
而深度学习方法不需要手动构建这些特征,而是需要自动学习这些特征,比如我们的图像输入到三层的神经网络
你会发现神经网络的每一层都会发现这些特征,第一层只能抓取到边边角角,而第三层可以抓取到人体躯干或者珊瑚。