知识卡片
深度学习分解复杂表示
表示学习的难点是高层抽象特征几乎难以直接提取,深度学习用’以较简单表示表达复杂表示’破解了它:复杂映射被拆成一连串嵌套的简单映射,每层只完成前一层基础上更容易的一步。以图像识别为例,第一层通过比较相邻像素亮度识别边缘,第二层把边缘组合成角与轮廓,第三层用角和轮廓检测对象部件,最终由部件识别整个对象。多层感知机就是这种思路的具体化:它是把输入映射到输出的数学函数,由许多简单函数复合而成,每应用一次函数就得到一层新的表示。层层组合让原本几乎不可能直接学出的复杂函数变得可学。
结构图:
flowchart TD
PX[pixels 像素] --> ED[edges 边缘]
ED --> CO[corners 角]
CO --> CT[contours 轮廓]
CT --> PT[parts 对象部分]
PT --> OB[object 对象]
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
- · 第1章 引言
原书出处 · 1 处
- 第1章 引言 · 查看原书依据
深度学习 (deep learning)通过其他较简单的表示来表达复杂表示,解决了表示学习中的核心问题。 深度学习让计算机通过较简单的概念构建复杂的概念。
参考来源
- 位置:《深度学习》第1章 引言(源文件:extracted/深度学习/_epub-src/text/part0000_split_000.html)
- 结论依据:原文明确指出深度学习通过较简单表示表达复杂表示以解决表示学习的核心问题,并以 MLP 的函数复合与层次识别过程加以说明。
- 原始内容:深度学习 (deep learning)通过其他较简单的表示来表达复杂表示,解决了表示学习中的核心问题。 深度学习让计算机通过较简单的概念构建复杂的概念。