学习得到“最好”的函数后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数 。
文章插图
深度学习
机器学习虽然发展了几十年，但还是存在很多没有良好解决的问题，例如图像识别、语音识别、自然语言理解、天气预测、基因表达、内容推荐等等 。目前我们通过机器学习去解决这些问题的思路都是这样的： 从开始的通过传感器（例如CMOS）来获得数据 。然后经过预处理、特征提取、特征选择，再到推理、预测或者识别 。最后一个部分，也就是机器学习的部分，绝大部分的工作是在这方面做的，而中间的三部分，概括起来就是特征表达 。良好的特征表达，对最终算法的准确性起了非常关键的作用，而且系统主要的计算和测试工作都耗在这一大部分 。但，这块实际中一般都是人工完成的 。靠人工提取特征 。然而，手工地选取特征是一件非常费力、启发式（需要专业知识）的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间 。既然手工选取特征不太好，那么能不能自动地学习一些特征呢？答案是能！Deep 就是用来干这个事情的，看它的一个别名，就可以顾名思义了，的意思就是不要人参与特征的选取过程 。
深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性 。因此，“深度模型”是手段，“特征学习”是目的 。区别于传统的浅层学习，深度学习的不同在于：1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易 。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息 。
文章插图
深度学习常用模型
文章插图
近期，深度学习技术掀起了人工智能研究与应用的新一轮浪潮，
深度学习技术在多个方面取得了较大突破，其在人工智能系统中所占
的比例日趋增大，已经应用于多项实际场景业务系统中 。深度学习技 术涌现出大量性能优秀的深度神经网络（DNN: ），例如卷积神经网络（CNN: ）、循环神经网络（RNN:rks）、 生成对抗网络（GAN:）等，在大数 据分析、图像识别、机器翻译、视频监控中取得了较大进步 。对现代深度学习做出突出贡献的四个人被称为深度学习四大天王：
文章插图
对比机器学习，深度学习在学习曲线上已经体现出明显优势：
文章插图
大数据时代模型学习的突破
传统视觉感知处理流程：
文章插图
端到端模式识别：
文章插图
卷积神经网络：
文章插图
卷积局部示意：
文章插图
基于深度学习的图像识别验证码破解：
- 《最重要的事，只有一件》笔记——目标不是做得更多，而是让自己需要的事情更少
- 【咸鱼之王】《食神》联动活动联动答题三
- 永磁同步电机超调控制
- 论文解读《Semi
- 《Head First》 设计模式之一 Strategy model
- 二 《Head First 设计模式》之策略
- 《从点子到产品》读书笔记之产品价值和用户痛点
- 陪学读书会——《点石成金》第十二章-救命!老板想要我......
- 《2021中国人工智能产业研究报告》发布，景联文助力人工智能稳步发展
- 《R和Ruby数据分析之旅》一1.2 Shoes