《机器学习》学习笔记(十二)—Why Deep Learning?

深度 VS 宽度

在这里插入图片描述
在这里插入图片描述
在神经元个数相同的情况下,多层神经网络的精度高于单层神经网络。 (深瘦的模型会比浅胖的模型有更好的表达能力。)

Modularization—模组化

我们在写大型程序时候,会调用各种函数,将程序模块化,这样程序可以完成很多复杂的功能。深的神经网络完成的工作和模块化类似

举个图像识别的例子,识别长发男生、长发女生、短发男生和短发女生,如下,由于长发男生样本少,所以模型训练出来的效果对测试集上的长发男生效果会比较差(样本不平衡)。
在这里插入图片描述
因此我们使用模组化的思想解决这一问题,我们先考虑识别基础类别(男女、长发短发),即我们先输入一张图片,识别这是长发还是短发,这是男还是女,此时样本比例是相当的,由此训练的效果不会变差,且由两个基础类别的组合可以得到最终的四个类别。 在这里插入图片描述

深度学习的优势就体现在模组化的处理方式,第二层的神经元把第一层的神经元当作 Moduel,第三层的神经元把第二层的神经元当作 Module(具体 Module 由算法自动学习)。此时复杂的问题变成简单问题,深度学习需要的数据比较少。
在这里插入图片描述

模组化的应用

图像识别
在这里插入图片描述
语音识别

人类语言的架构:比如一句 what do you think,这一句话其实是有phoneme(音素)组成,同样的phoneme可能会有不一样的发音(比如d uw和y uw中,由于前一个音素不同,所以导致口腔真正发出的两个uw不一样),因此我们给同样的phoneme不同的model(Tri-phone,该音素加上前后两个音素)。语音识别简而言之:从声音信号输出声音的特性(state),再从state转乘phoneme,phoneme转成文字。

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
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