知识卡片
深度网络的分层抽象
深度神经网络指含多个隐层的网络,与只含一个隐层的浅层网络相对应。它的依据来自大脑皮层的分级处理:视觉信息从视网膜进入低级 V1 区提取边缘,再到 V2 区检测原始形状,再到高层形成整个目标(如判定为人脸),最后到前额叶皮层做分类判断。高层特征是低层特征的组合,层级越高表示越抽象、越能反映内在规律。通过组合低层特征得到分层表示,系统能以更紧凑简洁的方式表达比浅层网络大得多的函数集合——深度带来的不是参数堆叠,而是特征的逐级复用与抽象。
结构图:
flowchart BT
L1["V1 边缘特征"] --> L2["V2 原始形状"]
L2 --> L3["高层 整个目标"]
L3 --> L4["PFC 分类判断"]
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
- 第6章 神经网络与深度学习 · 查看原书依据
视觉图像在人脑中是分级进行处理的:从视网膜出发,首先进入低级的V1区提取边缘特征,再到 V2区进行原始形状检测,再到高层的整个目标(如判定为一张人脸),以及到更高层的 PFC(前额叶皮层)进行分类判断等。高层特征是低层特征的组合,从低层到高层的特征表示越来越抽象,越来越能表现内在的规律。
参考来源
- 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0002.xhtml,6.2 深度学习)
- 结论依据:原文以视觉通路 V1—V2—高层—PFC 为例说明分层特征,并指出分层表示能更紧凑地表达更大的函数集合。
- 原始内容:视觉图像在人脑中是分级进行处理的:从视网膜出发,首先进入低级的V1区提取边缘特征,再到 V2区进行原始形状检测,再到高层的整个目标(如判定为一张人脸),以及到更高层的 PFC(前额叶皮层)进行分类判断等。高层特征是低层特征的组合,从低层到高层的特征表示越来越抽象,越来越能表现内在的规律。