一、深度学习引言
1. 应用
对于图像应用,我们经常在神经网络上使用卷积(Convolutional Neural Network),通常缩写为CNN。对于序列数据,例如音频,语言,英语和汉语字母表或单词,作为一维时间序列(两种英文说法one-dimensional time series / temporal sequence)经常使用RNN,一种递归神经网络(Recurrent Neural Network)。
标准神经网络 卷积神经网络 递归神经网络
- 普通预测——标准神经网络
- 图像领域——卷积神经网络
- 音频识别、序列数据——递归神经网络
- 无人驾驶——复杂的混合神经网络
2. 数据
- 结构化数据:明确的数字化数据集,表征某些特征,可存储为数据库文档
- 非结构化数据:音频。图像、视频、像素值等格式数据
3. 性能特点
最可靠的方法来在神经网络上获得更好的性能,往往就是要么训练一个更大的神经网络,要么投入更多的数据
- 数据集小的情况下,性能与神经网络算法的优先级无关,与数据集有关
- 当存在数量非常庞大的数据集,神经网络规模越大,性能越好
4. 流程
构建一个深度学习的流程是首先产生Idea,然后将Idea转化为Code,最后进行Experiment。接着根据结果修改Idea,继续这种Idea->Code->Experiment的循环,直到最终训练得到表现不错的深度学习网络模型