请选择 进入手机版 | 继续访问电脑版
设为首页 收藏本站
开启辅助访问 快捷导航
菜单
从零开始 资讯 查看内容

深度进修VS机械进修(二)

2020-4-26 12:21 发布者: 秋刀鱼 评论 1 查看 175
正如上一篇文章介绍,深度学习算法的核心是将复杂问题分层解决,其最大优势是不需要人为设定特征。比如,为识别人像,“机器学习”需要先人为设定人像征,如大眼睛、双眼皮、高鼻梁等,机器根据这些特征进行判断;而 ...

正如上一篇文章先容,深度进修算法的焦点是将复杂题目分层处理,其最大上风是不需要报酬设定特征。

比如,为识他人像,“机械进修”需要先报酬设定人像征,如大眼睛、双眼皮、高鼻梁等,机械按照这些特征停止判定;而“深度进修”会将这一题目停止分化。首先,它会尽能够找到与这个头像相关的各类边,这些边就是底层的特征(Low-level features);然后,会对这些底层特征停止组合,这样便可以看到鼻子、眼睛、耳朵等部位,这些就是中心层特征(Mid-level features);最初,算法会对鼻子、眼睛、耳朵等部位停止组合,以获得各类百般的头像,也就是高层特征(High-level features)。按照这些高层特征,便可以识别出大概分类各类人的头像。

深度进修VS机械进修(二)_资讯_2020-4-26 12:21发布_从零开始_175

深度进修合适处置大数据,且算法性能随数据量的增加而不竭提升,在数据样本较少时,更合适利用机械进修。下图中,蓝色曲线代表深度进修算法,红色曲线代表机械进修算法,可以看出来,在数据量少时,两种算法的性能差异不大,但随着数据量的进一步增加,机械进修算法的性能提升幅度并不大,而深度进修算法的性能则继续呈指数提升。

深度进修VS机械进修(二)_资讯_2020-4-26 12:21发布_从零开始_175

总的来说,野生智能的第三次成长飞腾得益于算子、算力、算法三方面才能的提升:大数据处理了练习样本少的题目,GPU、云计较等处理了计较才能低的题目;深度进修算法供给领会决复杂题目标方式,不需要野生提取特征,且具有一定的通用性。正是由于这些条件的支持,野生智能才出现了爆发式的成长。


鲜花

握手

雷人

路过

鸡蛋
收藏 分享 邀请

相关阅读

发表评论

最新评论

一周热门

头条攻略!

日排行榜

相关分类