11、【李宏毅机器学习（2017）】Why Deep Learning? （为什么是深度学习？）

最新推荐文章于 2023-04-10 17:05:32 发布
原创 最新推荐文章于 2023-04-10 17:05:32 发布 · 4.2k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #机器学习 #语音识别 #深度学习 #图像识别

尽管一层隐藏层的神经网络理论上可以表示任意函数，但在实践中，多层神经网络（深度学习）能提供更高的效率和精度。深度学习通过模组化思想，如在图像和语音识别中，将复杂问题分解为简单模块，减少对大量数据的依赖，并提高了识别的准确性。例如，在语音识别中，通过识别音素和组合模型来转换为文字。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

理论上，一层隐藏层的神经网络就可以表示任意的函数，但是从效率、精度考量，在实际的神经网络构建中往往采用多个隐藏层（即深度学习）。本篇博客将介绍深度学习的优势。

目录

相同神经元个数的深度学习

在神经元个数相同的情况下，多层神经网络的精度高于单层神经网络。
这里写图片描述

最低0.47元/天 解锁文章

200万优质内容无限畅学
[机器学习入门] 李宏毅机器学习笔记-12 （Why Deep Learning? ; 为什么是深度学习？）
Holeung blog
06-13 4156
[机器学习入门] 李宏毅机器学习笔记-12 （Why Deep Learning? ; 深度学习解析） PDF VIDEODeeper is Better?Fat + Short v.s. Thin + TallModularizationDeep learning Modularization把本来复杂的问题变简单，即使training data没那么也能有较好的performance
【李宏毅2017机器学习】Why deep？
Breau的博客
08-04 390
为什么同样多参数的情况下，网络变深比变宽效果更好？ 模组化 如下图，一个复杂的分类可以分解为多个简单的分类：
why deep learning?我们为什么要使用深度学习？
ygp12345的博客
10-02 467
深度学习在语音识别的应用 模块化在语音识别的应用，下图是人类语言的分层结构，比如what do you think？语言学家将其分为了若干phoneme(音位)，但是由于人类的发音器官发出的同一个phoneme的声音可能不一样，因为会受到前后phoneme的影响，所以我们要将原本的phoneme加上前后的phoneme组成新的被称为tri-phone的model，也就是一个phoneme用不同的model去描述。然后一个model有若干种state。 语音识别的第一阶段，输入时声音特征，我们把一段声音切成若
机器学习系列14-为什么要做“深度”学习
weixin_44406200的博客
02-22 2509
Why Deep? 如果本文对你有帮助，请给我的github打个star叭，上面附有全系列目录和内容！ 本文主要围绕Deep这个关键词展开，重点比较了shallow learning和deep learning的区别： shallow：不考虑不同input之间的关联，针对每一种class都设计了一个独立的model检测 deep：考虑了input之间的某些共同特征，所有class用同个model...
深度学习（Deep Learning） 6.why deep?
n不正
04-15 1255
深度学习（Deep Learning） 6.why deep?1 fat+short or thin + tall? 并不是参数越多表现越好 modularization：模块化，（自动学习） Deep →\rightarrow modularization：每个模块只关注一小部分任务 machine learning是因为没有足够的data，所以需要学习。？ 2 Speech phoneme：人类
WDK李宏毅学习笔记第二周02_Why Deep Learning
sunningzhzh的博客
04-21 211
Why Deep Learning？ 当使用参数相等时，构建多层Neurals比一层Neural准确率更高，如下图： 因为Deep -> Modularization，在training data时，Deep Learning会自动构建模组化的函数。 模组化函数是会在Training data时机器自己构建，不需要人为去设计，这很大的提高了效率。 在做复杂的数据转换时，模组化函数效果显著，例如:从下面第一组图片上看，两者很像，但是实际却完全不一样，第二组图片，看起来不一样，实际上一样，要让机器知道
deeplearning李宏毅PPT
08-25
强化学习是机器学习的一种形式，通过与环境交互来优化策略；GANs由生成器和判别器组成，可用于图像生成等创造性任务；AE则是一种无监督学习方法，用于数据降维和特征学习。 在实际应用中，PPT可能还会涵盖如何准备...
【李宏毅机器学习笔记】6、简单介绍深度学习（Deep Learning）
ACL_lihan的博客
02-16 2075
【李宏毅机器学习笔记】1、回归问题（Regression） 【李宏毅机器学习笔记】2、error产生自哪里？ 【李宏毅机器学习笔记】3、gradient descent 【李宏毅机器学习笔记】4、Classification 【李宏毅机器学习笔记】5、Logistic Regression -------------------------------------------------...
为什么深度学习有效？（why deep learning works）
weixin_30345577的博客
11-30 361
总述：这篇文章是一次听讲座，吴大鹏教授做的why deep learning works，佛罗里达大学教授，很有名。自己对该讲座做个理解。 一、深度学习的背景相关介绍 　　1、machine learning：一般的ml只针对线性分类，即只是一个linear methods。 　　2、neural networks：第二代神经网络，是对ml的一个发展，更好地非线性分类。通过BP算法，调参数...
机器学习-12-Why Deep?(为什么要做“深度”学习)
迷雾总会解
12-07 815
Why Deep? 本文主要围绕Deep这个关键词展开，重点比较了shallow learning和deep learning的区别： shallow：不考虑不同input之间的关联，针对每一种class都设计了一个独立的model检测 deep：考虑了input之间的某些共同特征，所有class用同个model分类，share参数，modularization思想，hierarchy架构，更有效率地使用data和参数 Shallow V.s. Deep Deep is Better？ 我们都知道dee
Deep Learning Tutorial 李宏毅
09-07
李宏毅的深度学习课件，很经典的课件对于学习深度学习理论具有很重要的作用。适合新手学习，能给与激发性的指导
《机器学习》学习笔记（十二）—Why Deep Learning?
时光机的学习博客
04-29 252
深度 VS 宽度 在神经元个数相同的情况下，多层神经网络的精度高于单层神经网络。 （深瘦的模型会比浅胖的模型有更好的表达能力。） Modularization—模组化 我们在写大型程序时候，会调用各种函数，将程序模块化，这样程序可以完成很多复杂的功能。深的神经网络完成的工作和模块化类似 举个图像识别的例子，识别长发男生、长发女生、短发男生和短发女生，如下，由于长发男生样本少，所以模型训练出...
李宏毅2021春季机器学习课程视频笔记12-为什么要深度学习（why Deep Learning?）
wen的博客
04-10 176
深度学习之所以可以做到鱼与熊掌兼得，就是因为其虽然具有了复杂的模型结构，但是其依赖的数据也变多了，随着数据增多，理想与现实之间差异逐步缩小，理想就可以很好的对现实进行预测表示。得到结论：在进行深度学习时候需要大量的资料，但是如果不采用深度学习架构，想要获得同样的拟合函数需要更大规模的网络与参数，因此选择采用深度学习是具有理论的合理性的。只有有一个Hidden_Layer就可以拟合所有函数，提出质疑，为什么还需要。只要绿色得点够多，被切得线段足够多，就可以尽可能得去拟合这个曲线得形状。
李宏毅 -DeepLearning-2017-Why Deep
zjguilai的博客
05-10 315
主讲内容：CNN DNN的优势！！！！！ CNN的layer层数越深，得到的word Error就越低，因为层数越深，参数就会越多，同时就会得到更好的结果，如图： 那么我们拿两个参数几乎一样的参数的cnn但是层数不一样，一个是高瘦，另一个是矮胖的比较哪个更好呢？例如： 图中箭头双方模型的参数树木是接近的。我们会发现，一层的矮胖的network的performance的能力是有限的，那么怎么来衡...
李弘毅机器学习笔记：第十四章—Why deep?
fly975247003的博客
09-24 454
李弘毅机器学习笔记：第十四章—Why deep?问题1：越深越好？问题2：矮胖结构 v.s. 高瘦结构引入模块化深度学习使用语音识别举例语音辨识：传统的实现方法：HMM-GMM深度学习的实现方法 DNN两种方法的对比 GMM v.s. DNN普遍性定理举例使用逻辑电路举例使用剪窗花举例使用二位坐标举例端到端的学习语音识别图像识别更复杂的任务 问题1：越深越好？ learning从一层到七层，er...
【李宏毅机器学习】Why Deep Learning（p15） 学习笔记
weixin_45947476的博客
12-01 776
全文总结于哔哩大学的视频：李宏毅2020机器学习深度学习(完整版)国语 2020版课后作业范例和作业说明在github上：点击此处 李宏毅上传了2020版本的机器学习视频和吴恩达的CS229机器学习相比，中文版本的机器学习显得亲民了许多，李宏毅的机器学习是英文的ppt+中文讲解，非常有利于大家入门。吴恩达的CS229中偏向于传统机器学习（线性回归、逻辑回归、Naive Bayes、决策树、支持向量机等），李宏毅2020版本的机器学习中除了最前面的回归、分类，后面更多篇幅涉及卷积神经网络（CNN）、循环神经网
机器学习笔记5_Why Deep Learning & BP
爱技术的小白
03-20 615
本文是李宏毅机器学习的笔记，这是第五节，介绍了为什么是Deep Learning，以及介绍了反向传播算法。 文章目录1. Why Deep Learning2. BackPropagation 1. Why Deep Learning 深度学习就是在4中提到的鱼和熊掌可兼得的一种方法。首先回顾一下network的构成。 从下面的实验中，可以看出Thin+Tall的神经网络表现的要更好一些。所以，虽然一层神经网络只要足够宽就可以表示任何函数，但是对比相同参数量的deep structure效果要差很多。
第十节 Why DeepLearning？
Reast1nPeace的博客
06-25 183
Why Deep
Do not mess it up
09-03 322
1. 从实际结果和人脑的角度：比如CNN一般都是先用比较多的小的卷积核来提取一些线条类的信息，然后用比较少的大的卷积核提取出眼睛，鼻子等局部的信息，然后再用更大的卷积核提取脸部的信息，and CNN works，这也符合人脑的处理方式。语言识别也是类似的从简答到复杂 2. thin-deep相比于fat-shallow更反应了模组化的思想，这样就能更高效的实现更复杂的拟合函数，这就像平时
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值