知识卡片
深层变换学习非线性表示
多层网络反复转换输入,让后层用前层输出构建更复杂的特征。早期浅层模型的表示能力有限,增加层数也带来训练数据和计算需求。驾驶图像可以用这类网络学习与目标分类相关的特征。
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3章 深度学习与智能驾驶 3.1 深度学习概述 · 查看原书依据
人类的语音和自然图像等。然而,深度学习可以通过一种深层的非线性网络结构去模拟更加复杂的函数,当然同时也会使得待学习的参数成倍增加,所以往往需要很大的训练数据集。
参考来源
- 位置:《人工智能:智能驾驶》第3章 深度学习与智能驾驶,3.1 深度学习概述(book-source:extracted/人工智能:智能驾驶/_epub-src/OEBPS/Text/chapter6.xhtml#A7cbe0035-a234-4860-91d9-9a2cfd898a54)
- 结论依据:该节对比浅层和深层结构,并说明深度增加对表达能力与训练数据的影响。
- 原始内容:人类的语音和自然图像等。然而,深度学习可以通过一种深层的非线性网络结构去模拟更加复杂的函数,当然同时也会使得待学习的参数成倍增加,所以往往需要很大的训练数据集。