標準化和歸一化什么區(qū)別？規(guī)范化是將輸入向量的最大值和最小值限制在隱藏層和輸出層函數(shù)的限制范圍內。例如，如果隱藏層的傳遞函數(shù)是logsig，則輸出在0~1的范圍內。如果傳遞函數(shù)為Tansig，則隱層的輸

標準化和歸一化什么區(qū)別？

規(guī)范化是將輸入向量的最大值和最小值限制在隱藏層和輸出層函數(shù)的限制范圍內。例如，如果隱藏層的傳遞函數(shù)是logsig，則輸出在0~1的范圍內。如果傳遞函數(shù)為Tansig，則隱層的輸出在-1~范圍內，并進行歸一化，這也是為了隱層傳遞函數(shù)的輸出。標準化只是數(shù)據(jù)的統(tǒng)一標準，它的大小可能已經(jīng)超出了隱層傳遞函數(shù)的范圍，而且在以后的運行中很容易出錯。

描述粒子運動的波函數(shù)的物理意義是什么，波函數(shù)需要滿足的標準化條件是什么，其歸一化條件是什么？

1. 為了定量描述微觀粒子的狀態(tài)，將波函數(shù)引入量子力學，并用ψ表示。一般來說，波函數(shù)是空間和時間的函數(shù)，是復函數(shù)，即ψ=ψ（x，y，Z，t）。波函數(shù)應滿足規(guī)范化條件和規(guī)范化條件：（1）規(guī)范化條件：單值、連續(xù)、有限（平方可積）規(guī)范化是不必要的，例如平面波函數(shù)不能規(guī)范化，但實際的波函數(shù)是規(guī)范化的。（2） 歸一化條件：由于粒子必須存在于空間中，因此，將波函數(shù)積分到整個空間中，就可以得到粒子在空間中每個點出現(xiàn)的概率之和，其結果應該等于1

人工智能就是模擬人類。所以主要通過視頻、圖像和音頻輸入。像小杜這樣的機器人必須配備攝像頭來識別人臉，并配備拾音裝置來識別聲音。具體來說，本質上是對人臉和聲紋進行半結構化特征提取，然后在背景特征數(shù)據(jù)集中進行比較的結果。在此之前，我們需要對數(shù)以千萬計的人臉和聲紋數(shù)據(jù)進行模型訓練，并“教”機器人如何檢測人臉和聲紋以及如何提取特征。這個過程可以是基于深度學習網(wǎng)絡的訓練過程，它是一種模擬人腦的神經(jīng)網(wǎng)絡?，F(xiàn)在比較流行的深度學習網(wǎng)絡培訓框架有cafe，tensorflow，流行的語言有python，C，C等。如果你想學習，首先百度關于我上面提到的所有名詞我都不太懂，懂了概念才可以繼續(xù)。