联系我们
- 地 址:北京市海淀区北四环西路9号 ,主 营:人脸识别,活体检测,身份证识别,银行卡识别,名片识别,车牌识别,OCR识别等及智能识别技术。
- 电 话:13146317170 廖经理
- 传 真:
- 邮 箱:398017534@qq.com
为什么要有深度学习?
为什么要有深度学习?
为什么要有深度学习?
深度学习能够用更多的数据或是更好的算法来进步学习算法的结果。关于某些应用而言,深度学习在大数据集上的表现比其他机器学习(ML)办法都要好。
性能表现方面,深度学习探究了神经网络的概率空间,与其他工具相比,深度学习算法更合适无监视和半监视学习,更合适强特征提取,也更合适于图像辨认范畴、文本辨认范畴、语音辨认范畴等。
为什么深度学习会如此被热衷,由于它不以任何损失函数为特征,也不会被特定公式所限制,这使得该算法对科学家们更为开放,它能以比其他传统机器学习工具更好的方式停止运用和扩展。
进一步地说,援用 《Deep Learning Book MIT》(免费电子书:http://www.deeplearningbook.org/)这本书上的某个观念,或许能进一步给出为什么要从机器学习到深度学习,
1960年后,线性分类器的局限性开端被认识到,它只能将输入空间切分为十分简单的区域,即由一个超平面别离的两个半区间。关于像图像和语音辨认这类问题,需求输入-输出函数对输入的非相关变化(位置的变化,方向变化,光照变化,语音的高音和低音变化)不敏感,而对类别敏感(如白狼和萨摩耶犬)。
在像素级别,两张不同的姿势,不同环境下萨摩耶犬的照片会有极大的不同,而同样的背景,同样位置的萨摩耶犬和白狼的照片可能十分类似。对直接操作图像像素的线性分类器或者其他“浅层”分类器可能不容易辨别后两张照片,同时将前两张放在同一类。这就是为什么浅层分类器需求好的特征提取器—有选择地产生图片中重要类别信息的表示,同时对无关信息如姿势具有不变性—-以处理选择无关的窘境。
为了让分类器更强大,能够运用广义非线性特征以及核函数办法。但广义特征(如高斯核函数)泛华才能差,常规的办法是手动设计好的特征提取器,而这需求大量工程经历和范畴专家才干完成。假如好的特征能够运用经过学习的办法自动学习得到,上述问题就能够防止,这是深度学习的中心优势。
由此可见,深度学习有它强于传统的机器学习算法的中央,并且有时分只能用深度学习借助锻炼神经网络来完成某些辨认任务。
深度学习能够用更多的数据或是更好的算法来进步学习算法的结果。关于某些应用而言,深度学习在大数据集上的表现比其他机器学习(ML)办法都要好。
性能表现方面,深度学习探究了神经网络的概率空间,与其他工具相比,深度学习算法更合适无监视和半监视学习,更合适强特征提取,也更合适于图像辨认范畴、文本辨认范畴、语音辨认范畴等。
为什么深度学习会如此被热衷,由于它不以任何损失函数为特征,也不会被特定公式所限制,这使得该算法对科学家们更为开放,它能以比其他传统机器学习工具更好的方式停止运用和扩展。
进一步地说,援用 《Deep Learning Book MIT》(免费电子书:http://www.deeplearningbook.org/)这本书上的某个观念,或许能进一步给出为什么要从机器学习到深度学习,
1960年后,线性分类器的局限性开端被认识到,它只能将输入空间切分为十分简单的区域,即由一个超平面别离的两个半区间。关于像图像和语音辨认这类问题,需求输入-输出函数对输入的非相关变化(位置的变化,方向变化,光照变化,语音的高音和低音变化)不敏感,而对类别敏感(如白狼和萨摩耶犬)。
在像素级别,两张不同的姿势,不同环境下萨摩耶犬的照片会有极大的不同,而同样的背景,同样位置的萨摩耶犬和白狼的照片可能十分类似。对直接操作图像像素的线性分类器或者其他“浅层”分类器可能不容易辨别后两张照片,同时将前两张放在同一类。这就是为什么浅层分类器需求好的特征提取器—有选择地产生图片中重要类别信息的表示,同时对无关信息如姿势具有不变性—-以处理选择无关的窘境。
为了让分类器更强大,能够运用广义非线性特征以及核函数办法。但广义特征(如高斯核函数)泛华才能差,常规的办法是手动设计好的特征提取器,而这需求大量工程经历和范畴专家才干完成。假如好的特征能够运用经过学习的办法自动学习得到,上述问题就能够防止,这是深度学习的中心优势。
由此可见,深度学习有它强于传统的机器学习算法的中央,并且有时分只能用深度学习借助锻炼神经网络来完成某些辨认任务。
上一条:护照OCR
下一条:基于深度学习的OCR识别技术