#1.深度学习要解决的问题 机器学习流程:数据获取---特征工程---建立模型---评估与应用 特征工程是更为重要的 AI(人工智能)>ML(机器学习)>DL(深度学习) 深度学习是核心 特征工程的作用: 1.数据特征决定模型上限 2.预处理和特征处理是最核心的 3.算法与参数选择决定如何逼近这个上限 机器学习偏人工 深度学习偏智能(与AI最接轨) 深度学习的核心:怎么样去提特征 解决什么样的特征是最合适的3 #2.深度学习应用领域 eg.无人驾驶(特斯拉) AI换脸 人脸识别 应用:计算机视觉,自然语言处理 缺点:计算量大-->速度慢-->移动端不好 深度学习算法与传统人工智能算法相比: 在数据规模较小时,二者效果差异不大(但深度学习会慢) 在数据规模较大时(百万数据),深度学习算法效果明显变好 #3.计算机视觉任务 计算机视觉:图像分类任务 图像表示:计算机眼中的表示 一个图像被分为三维数组的表示,每个像素的值是0-255(像素值越低表示越暗,越高表示越亮) eg.300*100*3 3表示颜色通道(RGB,JPG等) 计算机视觉面临的挑战:1.照射角度 2.形状改变 3.部分遮蔽 4背景混入 机器学习常规套路:1.收集数据并给定标签 2.训练一个分类器 3.测试,评估 #视觉任务中遇到的问题 K近邻算法: step1:计算其他点到该点距离 step2:将这些距离从小到大排序d1d2d3...dn step3:确定前K个点出现的概率 step4:出现频率最高的点为该点的类别 数据库:10类标签 32*32 CIFAR-10 图像距离计算方式 测试结果:部分结果还可以 为什么K近邻不能用于图像分类:背景主导是一个很大的问题,我们关注的确是主体
深度学习与神经网络
最新推荐文章于 2024-08-22 20:55:10 发布