FPGA机器学习之龙星计划机器学习第十五堂

题目是机器视觉，深度学习和特征学习。

这是一个讨论会类的。他能说明12年机器学习的情况。

这些应该都是比较新的机器学习方法。

因为深度学习和特征学习相似是因为深度学习也需要很好的特征数据才能有很好的效果。

能找到数据的结构。而这个结构就是特征。

目前来看深度学习是最好的。

比如说，有一个图上面有飞机，汽车什么的，5岁的小孩，他就能认得出，可是机器却不行，就是因为特征没办法提取，分类。

另外一类是，我会不会做什么事情的预测，这种预测不准确是因为信息缺失，因为我今天的心情机器不一定知道。

以前我们分类，就是我前面的博客的数字分类都是我用工程的方法进行特征提取的，就是横向相加，纵向相加。

机器学习则是自己提取特征，然后来分类。

很多时候特征是非常多的时候，我们才能有效的分离不同的物品。与其提供特征给机器，还不如教会机器如何

寻找特征。

想说明的是feature很重要。我没看懂。

简单的话就是模式匹配，可是物体部分就需要更复杂的匹配方法了。

上面的部分比较线性还比较好手动的设置特征。可是人体部分，你就没办法，很难手动的设置特征了。特征变的模糊了。

deep  learning  就是一种新的神经网络。其实层次和宽度不同都会影响结果。

神经网络，就是从了解人的神经网络的特征，发展来的。

 

其实这个是上面的举例。第一层就是图像嘛。第二层就是特征和熟悉，第三层就更细一些标签。最后通过标签的组合来

区分不同的事物。

语言识别的神经网络是9层的。每层都在学习。深度学习，比神经网络的性能提升了10个百分点。

其实这个图就是从右向左每一层的情况输出。最后分析出是3.

无监督学习特征。

右边的图，是左边的图，还有左上面的特征向量，滤波出来的结果，也就是特征提取的结果。

这里是它的自学习的一个结构模型。自动的学习，自动的分析出结果。

第二层的节点数目不能太低。就是靠近输入图像端。

 

这里主要内容就是深度学习了，不过这个课件里面的很多的图我没有贴进来，挺好的。

我能力有限，但是我努力的学习。成就未来。