← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9450.d · 生成模型:Tencent Hunyuan Hy

BP网络的两大瓶颈

理解等级:中级

理论上可用常规 BP 神经网络学习图像特征,实际却行不通,卡在两点。一是计算量爆炸:一幅 720×1080 的图像输入网络就有约 78 万个输入,再加大量参数运算,计算量难以想象。二是过拟合:模型容易记住训练样本的偶然细节,面对新图像识别能力反而下降。这两点叠加,让 BP 在图像特征学习面前举步维艰。边界在于——瓶颈不是 BP 思路错,而是全连接结构在高维图像上成本过高。启发是:当一种通用方法在特定领域失效时,往往要针对数据结构(这里是图像的局部性与平移不变性)改造网络结构,而非硬堆算力。

这张卡片看不懂?

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

    参考来源

    - 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第11章《图像识别与卷积神经网络》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00016.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文用 720×1080 图像的巨大输入量说明计算难题,并指出神经网络识别特征易过拟合、削弱对新数据的识别能力,归结为计算量与过拟合两大问题,支撑本卡结论。 - 原始内容:此外,采用神经网络识别特征很容易产生过拟合的现象,所以不仅增加计算支出,还会削弱面对新数据时的识别能力。因此计算量与过拟合这两方面的问题都让BP神经网络在图像特征学习面前举步维艰。