知识卡片
线性可分限制预测能力
单层感知机用一个超平面分开两类结果,可学习线性可分的方向关系,例如逻辑与;异或的正负样本无法被一条直线分开。更多训练不能消除模型表达能力的限制,非线性变体或其他预测结构才可能改变该边界。原书一处“足够训练可学习任何布尔函数”不适用于这里的单层模型。
书中进一步提到深度学习通过多层表示提取高阶特征,作为突破简单线性分类限制的方向;这里只说明动机,没有展开DBN或CNN网络及其硬件设计。这些名字登记为待关联术语,不据此声称某个深度模型已经获得更高的实测准确率。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 分支预测单元设计 3.2 分支跳转方向预测 · 查看原书依据
感知机的局限性在于它们只能学习线性可分函数。将感知机的所有可能输入的集合想象成一个n维空间,见式(3-2): 该方程的解是一个超平面(如,如果n=2则为一条线)将空间划分为感知机响应为假的输入集合以及响应为真的输入集合。
参考来源
- 位置:《高性能超标量CPU:微架构剖析与设计》第3章《分支预测单元设计》(来源项目 book-sources;源文件:extracted/高性能超标量CPU:微架构剖析与设计/_epub-src/OEBPS/Text/chapter7_0002.xhtml)
- 结论依据:原文位置讨论“线性可分限制预测能力”涉及的机制;本卡保留定义、流程或设计边界,书中不严谨处已在内容中明确限定。
- 原始内容:感知机的局限性在于它们只能学习线性可分函数。将感知机的所有可能输入的集合想象成一个n维空间,见式(3-2): 该方程的解是一个超平面(如,如果n=2则为一条线)将空间划分为感知机响应为假的输入集合以及响应为真的输入集合。