深度學習難嗎？想起來有毅力不難，想起來不堅持就難是否存在通用的神經(jīng)網(wǎng)絡模型，可以處理圖像，語音以及NLP？對于目前的深度學習模型，雖然深度學習的目標之一是設計能夠處理各種任務的算法，但是深度學習的應用

深度學習難嗎？

想起來有毅力不難，想起來不堅持就難

是否存在通用的神經(jīng)網(wǎng)絡模型，可以處理圖像，語音以及NLP？

對于目前的深度學習模型，雖然深度學習的目標之一是設計能夠處理各種任務的算法，但是深度學習的應用還需要一定的專業(yè)化，目前還沒有通用的神經(jīng)網(wǎng)絡處理模型。然而，每一種模式也在相互學習、相互融合、共同提高。例如，一些創(chuàng)新可以同時改進卷積神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡，如批量標準化和關注度。一般模型需要在將來提出。

圖像和視頻處理，計算機視覺，最流行的是CNN，卷積神經(jīng)網(wǎng)絡，它的變形和發(fā)展，CNN適合處理空間數(shù)據(jù)，廣泛應用于計算機視覺領域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特點。將上述模型應用于圖像分類識別中。在圖像分割、目標檢測等方面，提出了更有針對性的模型，并得到了廣泛的應用。

語音處理，2012年之前，最先進的語音識別系統(tǒng)是隱馬爾可夫模型（HMM）和高斯混合模型（GMM）的結(jié)合。目前最流行的是深度學習RNN遞歸神經(jīng)網(wǎng)絡，其長、短期記憶網(wǎng)絡LSTM、Gru、雙向RNN、層次RNN等。

除了傳統(tǒng)的自然語言處理方法外，目前的自然語言處理深度學習模型也經(jīng)歷了幾個發(fā)展階段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于變壓器的模型等。不同的任務場景有不同的模型和策略來解決一些問題。

卷積神經(jīng)網(wǎng)絡pooling層有什么用？

池的理論是圖像中相鄰的像素是相關的。

每隔一行采樣一次圖像，仍然可以看到結(jié)果。經(jīng)過一層卷積后，輸入圖像大小變化不大，但卷積核-1減小。根據(jù)相鄰數(shù)據(jù)的相關性，在每個NxN區(qū)域中，一般為2x2，一個數(shù)字代表原來的四個數(shù)字，這樣可以在不損失太多信息的情況下將數(shù)據(jù)減少四倍。24*24圖像。使用5*5的卷積核卷積，結(jié)果是20*20（每個-2左右），經(jīng)過2*2的池化，就變成了10*10。通過池化，進一步縮小了數(shù)據(jù)規(guī)模，減少了訓練時間。