贵州交通建设集团网站,合肥蜀山网站开发,工商企业登记查询,企业网站备案网站一、提出问题 对于生活生产中的表格数据#xff0c;至多也就上百维#xff0c;而且表格数据的行与行之间没有序列和位置上的关系#xff0c;所以用传统的机器学习算法就可轻松的解决这些问题。但是到了图片数据#xff0c;传统机器学习就非常吃力了#xff0c;一个普通的…一、提出问题 对于生活生产中的表格数据至多也就上百维而且表格数据的行与行之间没有序列和位置上的关系所以用传统的机器学习算法就可轻松的解决这些问题。但是到了图片数据传统机器学习就非常吃力了一个普通的RGB图片怎样向量化传统机器学习的输入都是向量。如果强制把一个RGB图片拉成向量会出现三个问题 向量纬度会非常大模型的参数非常多强制把RGB图片拉成向量丢失了像素的位置关系这对于图片数据来说是最大的问题算法对于向量过于敏感因为对于图片来说更多的是多个具有结构的像素才具有意义不像传统表格数据维度间关联度不大 二、解决问题 针对上面三个问题深度学习引入了两个看似平淡无奇但是却惊动武林的想法 引入卷积层解决维度大参数多问题解决了像素位置结构丢失问题引入迟化层解决了对于像素的敏感问题。 三、意义 卷积层用来很好的抓取图片的特征迟化层用来解决模型对卷积抓取的特征过于敏感增加泛化能力。和传统机器学习讨论是一样的一方面狠狠的拟合数据另一方面又小心翼翼的防止过拟合任何一个模型都有这两把刷子。有了这两把刷子就如同开车的油门和刹车运用得当自然老司机在历史上留名的那些著名模型就属于这一类恰当的配合卷积层和迟化层创造出丰富多样、威力越来越大的模型明白这两点下面可以开车了。