理论上来说，参数越多的模型复杂度越高、容量越大，这意味着它能完成更复杂的学习任务。但一般情形下，复杂模型的训练效率低，易陷入过拟合。随着云计算、大数据时代的到来，计算能力的大幅提高可以缓解训练的低效性，训练数据的大幅增加可以降低过拟合风险。因此，以深度学习（Deep Learning，DL）为代表的复杂模型受到了关注
深度学习是机器学习（Machine Learning，ML）领域中一个新的研究方向。它使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法
（1）基于卷积运算的神经网络系统，即卷积神经网络（Convolutional Neural Network，CNN）
（2）基于多层神经元的自编码神经网络，包括自编码（Auto Encoder）以及近年来受到广泛关注的稀疏编码两类（Sparse Coding）
（3）以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络（DBN）
通过多层处理，逐渐将底层的特征表示转化为高层特征表示，用简单模型即可完成复杂的分类等学习任务，由此可将深度学习理解为进行特征学习或表示学习。
以往在机器学习用于现实任务时，描述样本的特征通常需要人类专家设计，称为特征工程，众所周知，特征的好坏对泛化性能有至关重要的影响，人类专家设计出好的特征也并非易事
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.mushiming.com/mjsbk/13435.html