表示學習(representation learning)

使用機器學習來發掘表示本身，而不僅僅把表示映射到輸出。
表示學習算法的典型例子為自編碼器(autoencoder)。自編碼器由一個**編碼器(encoder)函數和一個解碼器(decoder)**函數組合而成。

• 編碼器：將輸入數據轉換為一種不同的表示。
• 解碼器：將這個新的表示轉換回原來的形式。
• 訓練目標：輸入數據經過編碼器和解碼器之后盡可能多地保留信息，同時希望新的表示有各種好的特性。
• 變差因素(factors of variation)：設計特征或設計用于特征學習的算法時，目標通常是分離出能解釋觀察數據的變差因素。當分析語音記錄時，變差因素包括說話者的年齡、性別、口音和說的詞語等；當分析汽車的圖像時，變差因素包括汽車的位置、顏色、太陽的角度和亮度等。

從原始數據中提取如此高層次、抽象的特征是非常困難的。許多諸如說話口音這樣的變差因素，只能通過對數據進行復雜的、接近人類水平的理解來辨識。

深度學習(deep learning)

深度學習通過其它較為簡單的概念構建復雜的概念，解決了表示學習中的核心問題。
深度學習模型典型例子是前饋深度網絡或多層感知機(multilayer perceptron, MLP)。

總結

以上是生活随笔為你收集整理的深度学习(1)--引言的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。