知识卡片
层叠变换学习抽象表示
深度表征学习让每一层处理前一层输出,将低层特征逐步组合成较抽象的表示,供分类等任务使用。表示由训练目标和数据共同塑造,层次越高不一定越有语义,也不保证更容易分类。它的价值在于把部分特征设计交给学习过程,仍需检验表示是否保留任务所需信息。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 2 0 . 2 . 2 深 度 学 习 算 法 基 本 思 想 · 查看原书依据
因此,可以将深度学习理解为特征学习(feature learning)或者表征学习(representation learning)。 理论上来说,参数越多的模型,其复杂度越高,“容量(capacity)”越大,这意味着该模型能够完成更为复杂的学习任务。
参考来源
- 位置:《智能算法导论》第 192 项《20.2.2 深度学习算法基本思想》(源文件:`_epub-src/EPUB/xhtml/chapter20_0003.xhtml`)
- 结论依据:正文将多隐层逐层处理、低层组合为高层表示与特征学习联系起来;卡片保留机制,并限定“越抽象越有利分类”的概括。
- 原始内容:深度学习中无论是深度置信网络还是深度卷积网络,都是利用多隐层堆叠、每一层对上一层的输出进行处理的机制……可以将深度学习理解为特征学习(feature learning)或者表征学习(representation learning)。