深度学习(Deep Learning)：“Deep”的作用【“Modularization”、“End-to-End Learning”】

最新推荐文章于 2024-03-06 15:30:00 发布
最新推荐文章于 2024-03-06 15:30:00 发布
阅读量598 收藏 1
点赞数 1
分类专栏： # 深度学习/DL 文章标签： 人工智能 机器学习 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013250861/article/details/111386875
版权

一、Modularization

1、Universality Theorem

在这里插入图片描述

2、“Thin + Tall” v.s. “Fat + Short”

在这里插入图片描述

3、“Fat + Short” 模式下

由于有些分类下的数据比较少， “Fat + Short” 模型对数据少的样本的分类训练的不好

在这里插入图片描述

4、“Thin + Tall” 模式下

将特征分解，再组合。
在这里插入图片描述

5、多层Layer的作用

  • 中间hidden layer 的作用类似于将特征数据值从“低维” → t r a n s f o r m e r \xrightarrow{transformer} transformer ​“高维”，充分挖掘“特征数据值”在各个维度中的特性。

在这里插入图片描述
在这里插入图片描述
带有非线性激活函数的Layer层数越多，则模型能模拟的函数的复杂度越高
在这里插入图片描述

二、End-to-End Learning

在这里插入图片描述

1、End-to-End Learning：语音识别

在这里插入图片描述
在这里插入图片描述

2、End-to-End Learning：图像识别

在这里插入图片描述
在这里插入图片描述

参考资料：
A visual proof that neural nets can compute any function
Deep Learning: Theoretical Motivations (Yoshua Bengio)
Why Deep Learning Works: Perspectives from Theoretical Chemistry

u013250861
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
modularization-examples:业务逻辑细分模式
03-17
症状 如果没有做好业务逻辑分解，可能在项目后期造成以下几个问题： 拆了微服务之后做一个需求要拉很多人，代码写进来了就再也删除不掉了 要么放任自流，1个App里有4种日期选择方式。或者用力过猛，抽象出来的营销...
android-playground-modularization-java
05-01
操场一个示例Android应用程序，展示了Java对某些开源库的高级用法。建造频道Apk 运行命令： 视窗： .\gradlew.bat build channelProdRelease Linus和macOS： $ ./gradlew build channelProdRelease 参考：依赖关系...
Vue中的深度作用选择器/deep/
01-07
在我们使用Vue搭建项目的时候，我们经常会用到一些UI框架，如Element，iView，但是有时候我们又想去修改UI框架的样式，当我们修改样式失败的时候，可以尝试一下/deep/，亲测有效。 那失败的原因是什么呢？ UI框架的样式是定义在全局中，我们使用scoped时，局部样式会被全局样式所覆盖（vue默认全局样式覆盖局部样式）。 有多种解决方法，推荐使用/deep/。 当希望scoped样式中的选择器“深入”，即影响子组件，则可以使用>>>组合器，/deep/是它的别名。 有些像 Sass 之类的预处理器无法正确解析 >>>，使用 /deep/ 操作符取而代之。 用法如下： /deep/
端到端的深度学习（end-to-end deep learning）
追求卓越583的博客
11-14 2965
相对于深度学习，传统机器学习的流程往往由多个独立的模块组成，比如在一个典型的自然语言处理（Natural Language Processing）问题中，包括分词、词性标注、句法分析、语义分析等多个独立步骤，每个步骤是一个独立的任务，其结果的好坏会影响到下一步骤，从而影响整个训练的结果，这是非端到端的。 而深度学习模型在训练过程中，从输入端（输入数据）到输出端会得到一个预测结果，与真实结果相比较...
深度学习deep learning
qq_46458188的博客
11-28 1万+
一、简介 深度学习是包含多个隐层的机器学习模型，核心是基于训练的方式，从海量数据中挖掘有用信息，实现分类与预测。 早期的深度学习模型：编码器、循环神经网络、深度置信网络、卷积神经网络 衍生模型：堆叠降噪自编码器、稀疏自编码器、降噪自编码器 深度学习的常用模型：卷积神经网络（CNN），深度信念网络（DBN），深度自动编码器（DAE），限制玻尔兹曼机（RBM）。CNN有全监督学习和权值共享的特点，在自然语言处理和语音图像识别领域有很强优势。其他深度学习模型大多先采用无监督方式逐层预训练，再使用有...
深层学习为何要“Deep”
sxl的博客
05-17 93
[1]深层学习为何要“Deep”
Modularization-master.zip
02-10
"Modularization-master.zip"是一个关于Android组件化开发的示例项目，其核心在于通过全局变量IsBuildSignle实现组件化功能。下面我们将详细探讨这个主题。 1. **组件化概念**：组件化是将应用程序拆分为多个具有...
scala-sculpt：Scala代码库的依赖项提取，有助于模块化
02-05
Scala-Sculpt是一款针对Scala代码库的工具，其主要功能是帮助开发者进行依赖项提取，以促进代码的模块化。这个工具在Scala编程环境中尤为重要，因为它可以帮助开发者更好地管理和理解项目中的依赖关系，从而提高代码...
iOS-Modular-Architecture:使用模块化架构的模板iOS应用程序
05-09
iOS上的模块化架构 使用模块化架构实现的iOS项目。 （可以通过替换项目名称“电影”用作模板项目）。 中等职位的更多信息： 更多信息： 包括身份验证模块（初始缩放） 更多信息： 如何扩展： ...
Deep N Well instruction.pdf
07-23
Impact of Deep N-well Implantation on Substrate Noise Coupling and RF Transistor Performance for Systems-on-a-Chip Integration
Deep Learning: Theoretical Motivations_Yoshua Bengio
08-04
Yoshua Bengio 2015年8月3号在Montreal Deep Learning Summer School上的讲座，总结了近一段时间深度学习理论上的进展。
deepnwell
weixin_42350244的博客
12-26 5097
深N阱（DNW）可以理解为在P-sub上面隔离出来的一块独立区域，里边可以做需要的device，有与外界隔离的作用。而对NMOS而言，它们的well（P-sub）会通过wafer的p-sub short在一起（因为都是P型），相互串扰，互相影响。除了电位上的隔离，比如说有好几种地电位（0V、-3.3V、-6V等），一般会把害怕被别的模块影响（reference电路、temperature sensor等）或者怕会去影响别的模块的IP（PLL、OSC等）放在DNW里面。
Using Deep N Wells in Analog Design
hungtaowu的博客
10-19 3785
原文链接：https://www.planetanalog.com/using-deep-n-wells-in-analog-design/ On a conventional CMOS process (see figure 1), NMOS devices are formed in a P well or substrate connected to ground (or the most negative supply in the circuit). PMOS devices are form
vue3 样式穿透(:deep())原理
一个希望世界和平的前端程序猿的博客
12-28 3526
scoped通过给元素和css样式添加不重复的data属性(data-v-xxx)来使模块私有化(整个过程通过PostCSS转译实现)。 PostCSS会给一个组件中的所有元素添加一个唯一的data属性(data-v-xxx)，给css选择器添加一个包含该属性的属性选择器，这样就让样式只作用于含有该属性的元素，从而实现样式隔离。
【转载】关于深N肼
possible
04-08 9463
引用自：邓健. 12位100MSps低功耗SAR ADC的研究与设计[D]. 电子科技大学, 2017. 对于局部电路，所有的 NMOS 都做在 P 衬底上，噪声会通过衬底串扰到噪声敏感电路，如图 5-5(a)所示，使得器件的阈值电压受噪声的干扰，电流非线性更加明显；图 5-5(b)所示电路中，将噪声敏感电路的器件置于深 N 阱（Deep N-Well：DNW）中，由于 NW/DNW 将关键...
Why deep learning?
weixin_30273175的博客
10-03 72
1. 深度学习中网络越深越好么？ 理论上说是这样的，因为网络越深，参数也越多，拟合能力也越强（但实际情况是，网络很深的时候，不容易训练，使得表现能力可能并不好）。 2. 那么，不同什么深度的网络，在参数差不多大小的情况下，深的网络会比浅的网络表现能力好么？即深度较深的网络比较“瘦”，深度较浅的网络比较“胖”。 一般来说，相同参数下深度较深的网络表现能力也比深度较浅的网络要好。 ...
【设计】】MOS管衬底电位接法|PMOS、NMOS衬底连接-KIA MOS管
热门推荐
Carol0630的博客
04-18 2万+
参考：MOS管衬底电位接法|PMOS、NMOS衬底连接-KIA MOS管 P-SUB工艺，NMOS 的衬底都是一样的，都是P-SUB，所以不可以将源极和衬底接一块，不然通过衬底短接会影响其他NMOS的特性，因此NMOS的衬底只能接GND（低电位）； P-SUB工艺，PMOS管的N衬底都是单独的，因此可以将源极和衬底接一块来减小衬偏效应； Deep Nwell，是在PSUB工艺情况下，对NMOS管可以采取的一种隔离方式，底部是deep nwell，周围是nwell形成的一个环，来隔离共衬底引起的噪声干扰。 N
深度学习中的端到端学习（End-to-End Learning）与模块化设计
最新发布
03-06 675
在深度学习中，端到端学习（End-to-End Learning）和模块化设计是两种不同的方法论，它们在模型设计和训练过程中有着不同的特点和应用场景。深度学习中的端到端学习与模块化设计代表了两种不同的思维方式和方法论，在不同的场景下都有着重要的作用。随着深度学习技术的不断发展和应用，端到端学习和模块化设计将继续在各领域展现出广阔的应用前景，为解决实际问题提供更加有效的解决方案。综上所述，端到端学习和模块化设计在深度学习领域都有其独特的价值和应用场景，它们相辅相成，共同推动着深度学习技术的发展。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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