深度学习
一、基础介绍
为了让机器自动学习,需要为机器准备三份数据:
1.训练集,机器学习的样例;
2.验证集,机器学习阶段,用于评估得分和损失是否达到预期要求;
3.测试集,机器学习结束之后,实战阶段评估得分。
深度学习(Deep Learning,DL):是由多个处理层组成的计算模型,可以通过学习获得数据的多抽象层表示。
推动图像搜索突破的关键有三点:
1.深度学习;
2.大数据分析;
3.大量用户使用反馈。
二、发展历程
传统机器学习的局限性
构建模式识别或机器学习系统需要经验丰富的工程师来设计特征提取器(Feature Extrator),将原始数据(如图像的像素值)转化为合适的中间表示形式或特征向量(Feature Vector),学习子系统(通常为分类器)可以对输入模式进行检测或分类。
深度学习方法则不需要人工设计特征提取器,而是由机器自动学习获得,特别适用于变化多端的自然数据,具有非常良好的泛化能力和鲁棒性。