奶爸为8岁女儿解读深度学习篇之：11个事实

以下是由 Yann Lecun 设计的原始 LeNet-5 卷积神经网络的概述，他是早期采用该技术进行图像识别的人之一。

原始论文中的 LeNet-5 架构（来源：http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf）

事实 9：深度学习只是基于反馈回路的持续改进

技术之美不仅来自卷积，而且来自网络自身学习和适应的能力。通过实现名为反向传播的反馈回路，网络将使用权重来减轻和抑制不同层中的一些「神经元」。

我们来看看网络的输出，如果猜测（输出 0, 1, 2, 3, 4, 5, 6, 7, 8 或 9）是错误的，我们要看一下是哪个/些过滤器「出了错」，找到之后，我们给这个/些过滤器一个小小的权重，这样它们下次就不会犯同样的错误。瞧！系统在学习并不断改进自己。

事实 10：这一切都说明，深度学习是易并行过程

提取数千个图像，运行数十个过滤器，采用下采样，扁平化输出...... 所有这些步骤可以并行完成，这使得系统易于并行。它只是 GPGPU（通用图形处理单元）的完美用例，非常适合大规模并行计算。

事实 11：需要更精确？那网络就再深一点

当然这有点过于简单化，但如果我们看一下主要的「图像识别竞赛」，即 ImageNet 挑战，我们就可以看到错误率随着神经网络的深度增加而降低。人们普遍认为，排除其他因素，网络深度的增加将带来更好的泛化能力和准确性。

Imagenet 挑战赛获胜者错误率 VS 网络中的层数

（来源： https://medium.com/@sidereal/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5）

结论

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!