既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問(wèn)題，那SVM、決策樹(shù)這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來(lái)建立更好的預(yù)

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問(wèn)題，那SVM、決策樹(shù)這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來(lái)建立更好的預(yù)測(cè)模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因?yàn)樗麄儷@得的用戶數(shù)據(jù)是數(shù)以億計(jì)的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹(shù)和其他機(jī)器學(xué)習(xí)算法。如果你有一個(gè)大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學(xué)習(xí)算法。

以下是一個(gè)圖表，用于說(shuō)明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對(duì)你有幫助，你可以多表?yè)P(yáng)，也可以關(guān)注它。謝謝您

卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器，用訓(xùn)練集訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可以提取訓(xùn)練集的特征嗎？還是只能提取測(cè)試集的？

1. 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史

3。反向傳播

當(dāng)用訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）時(shí)，卷積神經(jīng)網(wǎng)絡(luò)正向傳播的卷積池過(guò)程就是特征提取過(guò)程。最后，計(jì)算出網(wǎng)絡(luò)的損失函數(shù)，然后根據(jù)鏈導(dǎo)數(shù)規(guī)則，利用反向傳播算法更新網(wǎng)絡(luò)的權(quán)值參數(shù)。這是調(diào)整各層網(wǎng)絡(luò)和卷積核的特征抽取器的參數(shù)（各層的特征和功能不同）。

訓(xùn)練是為了使整個(gè)卷積神經(jīng)網(wǎng)絡(luò)的特征提取效果更好（越來(lái)越適合于訓(xùn)練集），所以訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)可以提取訓(xùn)練集的特征。

運(yùn)行測(cè)試集的目的是測(cè)試特征提取器的能力。此時(shí)，通過(guò)訓(xùn)練集對(duì)CNN各層的參數(shù)進(jìn)行訓(xùn)練，可以提取出相似訓(xùn)練集的參數(shù)（圖像、聲音、文本）。此時(shí)，我們需要再次運(yùn)行測(cè)試集來(lái)測(cè)試CNN的特征提取能力。

數(shù)據(jù)集：機(jī)器學(xué)習(xí)任務(wù)中使用的一組數(shù)據(jù)，每個(gè)數(shù)據(jù)集稱為一個(gè)樣本。反映樣品在某一方面的性能或性質(zhì)的項(xiàng)目或?qū)傩苑Q為特征。

訓(xùn)練集：訓(xùn)練過(guò)程中使用的數(shù)據(jù)集，其中每個(gè)訓(xùn)練樣本稱為訓(xùn)練樣本。從數(shù)據(jù)中學(xué)習(xí)模型的過(guò)程稱為學(xué)習(xí)（訓(xùn)練）。

測(cè)試集：學(xué)習(xí)模型后，將其用于預(yù)測(cè)的過(guò)程稱為測(cè)試，使用的數(shù)據(jù)集稱為測(cè)試集，每個(gè)樣本稱為測(cè)試樣本。

cnn卷積神經(jīng)網(wǎng)絡(luò)中的卷積核怎么確定？

從模型中學(xué)習(xí)卷積參數(shù)，手動(dòng)確定卷積核的大小和數(shù)目。二維卷積核的大小通常是奇數(shù)，例如1*1、3*3、5*5、7*7。卷積核數(shù)是網(wǎng)絡(luò)中的信道數(shù)。常用的是128 256 512，需要根據(jù)具體任務(wù)來(lái)確定。

另外，最近，神經(jīng)網(wǎng)絡(luò)自動(dòng)搜索結(jié)構(gòu)非常流行，最著名的是Google的nasnet，它使用一些啟發(fā)式遍歷來(lái)尋找特定數(shù)據(jù)集的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)