透彻理解深度学习背后的各种思想和思维(2)

每一层进行非线性变换是深度学习算法的基本思想。数据在深层架构中经过的层越多，构造的非线性变换就越复杂。这些变换表示数据，因此深度学习可以被视为表示学习算法的特例，其在深层体系结构中学习具有多个表示级别的数据表示。所实现的最终表示是输入数据的高度非线性函数。

深层体系结构层中的非线性变换，试图提取数据中潜在的解释因素。不能像PCA那样使用线性变换作为深层结构层中的变换算法，因为线性变换的组合产生另一种线性变换。因此，拥有深层架构是没有意义的。

例如，通过向深度学习算法提供一些人脸图像，在第一层，它可以学习不同方向的边缘; 在第二层中，它组成这些边缘以学习更复杂的特征，如嘴唇，鼻子和眼睛等脸部的不同部分。在第三层中，它组成了这些特征，以学习更复杂的特征，如不同人的面部形状。这些最终表示可以用作面部识别应用中的特征。

提供该示例是为了简单地以可理解的方式解释深度学习算法如何通过组合在分层体系结构中获取的表示来找到更抽象和复杂的数据表示。

省去特征工程的思维

传统机器学习中，特征工程作为机器学习技能的一部分。在这种情况下，需要以可以理解的形式将数据转换并输入到算法中。然而，在训练和测试模型之前，并不知道这些特征的用处，数据挖掘人员往往会陷入开发新特征、重建模型、测量结果的繁杂循环中，直到对结果满意为止。这是一项非常耗时的任务，需要花费大量时间。

穿着黑色衬衫的男人正在弹吉他

这个图像的下边的标题是由神经网络生成的，它与我们想象这个图片的方式非常相似。对于涉及此类复杂解释的案例，必须使用深度学习。这背后的主要原因是超参数。标题图像所需的超参数的数量将非常高，并且在SVM的情况下手动选择这些超参数几乎是不可能的。但是深度神经网络可以通过训练集和学习来自主地进行。

【编辑推荐】

1. AI 圣经 PRML《模式识别与机器学习》被微软官方开源了！
2. 2019 深度学习工具汇总
3. 国外最火的深度学习实践课新版发布，100%全新前沿内容
4. 机器学习准入门槛降低，机器学习工程师职位或将消失
5. 形象理解深度学习中八大类型卷积

（编辑：ASP站长网）