知识卡片
深度学习:多层堆叠与逐层初始化
深度学习的动机是模拟人脑分析学习的神经网络,直接对图像、声音和文本作解释。2006年Hinton与学生在《科学》上给出基本方法:把上一层输出作为下一层输入,用多层堆叠构建网络以实现分级表达。文章的两个关键判断是——多层网络有优异的特征学习能力,学到的特征对数据刻画更本质、利于可视化与分类;训练深层网络的困难可用逐层初始化(layer-wise pre-training)克服。深度学习不是单一算法,而是由多层神经网络构建的算法框架,已发展出多层感知器、CNN、RNN、LSTM、自动编码器、深度置信网络等十几种方法的体系。
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10章 认知计算与深度学习 · 查看原书依据
使用多层堆叠方式构建一个多层神经网络,也就是说神经网络的上一层的输出作为下一层的输入,通过这种方式来实现对输入信息进行分级表达。
参考来源
- 位置:《机器学习算法原理与编程实践》第10章 认知计算与深度学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00034.html)
- 结论依据:原文明确深度学习模拟人脑机制、用多层堆叠分级表达,并列出特征学习能力与逐层初始化两个观点,还指出它是一套算法框架而非单一算法。
- 原始内容:使用多层堆叠方式构建一个多层神经网络,也就是说神经网络的上一层的输出作为下一层的输入,通过这种方式来实现对输入信息进行分级表达。