[PyTorch][chapter 9][李宏毅深度学习][Why Deep]-Toy模板网

这篇具有很好参考价值的文章主要介绍了[PyTorch][chapter 9][李宏毅深度学习][Why Deep]。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

前言：

我们知道深度学习一个重要特征是网络堆叠，深。为什么需要深度，

本篇主要简单介绍一下该原因

1：简介

2：模块化分析

3：语音识别例子

一简介

有人通过实验,使用相同的网络参数，深度越深的网络相当于浅层网络效果更好。

1.1 Deeper is Better

如下图，随着网络层次逐渐加深，文本错误率逐渐降低

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

如下图，我们只用一层的网络，参数量跟多层一样，错误率高很多.

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

为什么产生这种现象？

同样的参数量，深度网络比浅层网络效果更好。

二模块化分析

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

我们写程序，也把函数分为不同模块，实现不同功能

深度学习不同的层也相当于不同的函数,不同的函数实现不同的功能，

更高层也能使用到.

2.1 数据集的影响

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

比我我们要通过一个神经网络实现做4分类

长头发女生	数据量大
长头发男生	数据量小
短头发女生	数据量大
短头发男生	数据量小

因为长头发男生数据集小，训练的网络一般会比较差。

解决方案：

使用更深层次的网络，有的用来识别男女,有的用来识别短头发长头发

然后更高层次的网络用来做4分类.

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

深度学习就相同于实现上面模组化的功能，每一层的神经元的输出，作为下一层神经元的输入.

我们没有足够的训练数据，所以做Deep Learning

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

三语音识别例子

以发音识别为例：

输入了语音特征,输出对应的概率

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

在深度学习采样的模型如下：绿色模块是一些根据专家信息提取的声音

特征信息

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

Google 曾经做过实验:

使用深度学习的模型甚至完全不需要上面绿色的模块

可以达到前面模型一样的准确率.

[PyTorch][chapter 9][李宏毅深度学习][Why Deep],深度学习,pytorch,人工智能

11: Why Deep?_哔哩哔哩_bilibili文章来源地址https://www.toymoban.com/news/detail-822871.html

到了这里，关于[PyTorch][chapter 9][李宏毅深度学习][Why Deep]的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！

[PyTorch][chapter 9][李宏毅深度学习][Why Deep]

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

支付宝扫一扫领取红包，优惠每天领

二维码1

二维码2