深度学习技术分析.ppt

深度学习（Deep Learning） 所有的内容均来自网络和相关论文。不是原创，仅限于学习交流。 背景 深度学习的基本概念 常用的模型 应用实例 背景 中间的三部分，概括起来就是特征表达。好的特征表达，对结果的准确性起了非常关键的作用，这一大部分占据了系统大量的计算和测试。实际中，这部分一般都是人工完成的。（SIFT,HOG,HAAR-LIKE，LBP等）。 背景 人工特征的选取需要大量的时间，需要专业知识和经验，能不能自动地学习一些特征呢？通过Deep Learning可以实现这一点。 背景 Deep Learning是模拟人的视觉信息处理。 人的视觉系统的信息处理是分级的。从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层。 高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越到高层越容易分类。 背景 就一个图片来说，像素级的特征没有价值。 背景 浅层学习的理论，例如支撑向量机（SVM，Support Vector Machines）、 Boosting、最大熵方法（Logistic Regression）等。这些模型结构，有的含有一层隐含层，有的没有隐含层。 其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。 深度学习 I =S1=S2=…..=Sn = O。如果I=O，这个系