原书出处
智能算法导论
192 2 0 . 2 . 2 深 度 学 习 算 法 基 本 思 想
、每一层对上一层的输出进行处理的机制,来对输入进行逐层处理,从而把低层的特征组合形成更加抽象的高层表示属性类别或者特征。
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。
对于神经网络来说,提升复杂度和容量的显而易见的方法便是增加隐层的数目,即采用更“深”的网络来处理问题。但是过深的网络也同
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/智能算法导论/_epub-src/EPUB/xhtml/chapter20_0003.xhtml
EPUB SHA-256:18e2691ea1badb55bab48f10fe7172f9d6a95bc5207bb2e234686cbbaff3641d