1. L'apprentissage machine traditionnelle étude approfondie VS
En ce qui concerne l' étude approfondie, le processus d'apprentissage de la machine conventionnelle consiste souvent en une pluralité de modules indépendants, par exemple, dans un PNL typique (Natural Language Processing) Problèmes, y compris mot, le marquage de la parole, l' analyse, l' analyse sémantique, une pluralité de séparée étapes, chaque étape est une tâche distincte, le résultat est bon ou mauvais affectera l'étape suivante, affectant ainsi les résultats de l'ensemble de l' exercice, ce qui est un non final de.
Et la profondeur de modèle d' apprentissage dans le processus de formation, pour obtenir la sortie d'un résultat prédit à partir d' une borne d'entrée (données d'entrée), par comparaison avec les résultats réels seront une erreur qui sera transmise dans chaque couche du modèle (rétropropagation ), chaque couche représente l'ajustement sera basée sur cette erreur à faire, jusqu'à ce que l'effet du modèle pour obtenir la convergence souhaitée ou jusqu'à la fin, cela est la fin de.
2. Comment comprendre bout à bout
End signifie que les données d'entrée d' origine, le résultat final est la production . L'original est pas les données brutes en entrée directement, mais l'extraction de la fonction de données brutes , ce qui est particulièrement important sur le problème d'image , car trop de pixel d'image, données de grande dimension, aura des dimensions de la catastrophe, de sorte que l'idée originale d'une main extraire quelques caractéristiques principales de l'image, qui est en fait un processus de réduction dimensionnelle.
La question est, comment les caractéristiques de mention?
L'extraction de caractéristiques est bonne ou mauvaise exception clé, encore plus important que l'algorithme d'apprentissage, par exemple, une série de données sur la classification des personnes, le résultat de classification est le sexe, si vous avez extrait caractéristique est la couleur des cheveux, quelle que soit la façon dont l'algorithme de classification, les résultats de la classification sont pas bon si vous avez extrait caractéristique est la longueur des cheveux, cette fonction serait beaucoup mieux, mais il y a eu des erreurs, si vous avez extrait une fonctionnalité puissante, comme les chromosomes de données, alors vous pouvez pas vous tromper fondamentalement classement a.
Cela signifie que les caractéristiques ont besoin assez d'expérience pour la conception, il est devenu de plus en plus difficile dans le cas d'une quantité croissante de données. Il était donc fin aux fonctions du réseau final peut aller à apprendre, cette étape algorithme d'extraction de caractéristiques en eux, ne pas besoin d'un homme d'intervenir.
Auteur: Liwemg
lien: https: //www.jianshu.com/p/f8ed2744be97
Source: Jane livres
sont la propriété de l'auteur. réimpression commerciale s'il vous plaît contacter l'auteur autorisé, réimpression non commerciale s'il vous plaît indiquer la source.
