深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題

深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來(lái)說(shuō)，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來(lái)調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問(wèn)題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來(lái)，并變得越來(lái)越好。對(duì)比如下圖所示。

卷積神經(jīng)網(wǎng)絡(luò)為什么最后接一個(gè)全連接層？

在基本的CNN網(wǎng)絡(luò)中，全連接層的作用是將圖像特征圖中的特征通過(guò)多個(gè)卷積層和池化層進(jìn)行融合，得到圖像特征的高層含義，然后用它進(jìn)行圖像分類。

在CNN網(wǎng)絡(luò)中，完全連接層將卷積層生成的特征映射映射到具有固定長(zhǎng)度的特征向量（通常是輸入圖像數(shù)據(jù)集中的圖像類別數(shù)）。特征向量包含輸入圖像中所有特征的組合信息。該特征向量雖然丟失了圖像的位置信息，但保留了圖像中最具特征的特征，完成了圖像分類的任務(wù)。從圖像分類任務(wù)的角度來(lái)看，計(jì)算機(jī)只需確定圖像的內(nèi)容，計(jì)算輸入圖像的具體類別值（類別概率），輸出最有可能的類別即可完成分類任務(wù)。

為什么在卷積神經(jīng)網(wǎng)絡(luò)中全連接層4096維特征向量？

通常，為了優(yōu)化計(jì)算，尺寸通常取為2的指標(biāo)。

在后續(xù)計(jì)算全連接層的損耗時(shí)，總共應(yīng)該有幾千個(gè)類別，所以前一層應(yīng)該是1000個(gè)，所以一般是102420484096，以此類推。通過(guò)對(duì)數(shù)據(jù)集的測(cè)試，可以得到一個(gè)較好的網(wǎng)絡(luò)結(jié)構(gòu)