多層感知器，為什么能實(shí)現(xiàn)非線性？由于增加了激活函數(shù)，如果激活函數(shù)是非線性的，則可以實(shí)現(xiàn)非線性。這個(gè)原則很簡(jiǎn)單。你可以試著用非線性函數(shù)來(lái)設(shè)置一個(gè)線性函數(shù)來(lái)運(yùn)算，結(jié)果一定是非線性的。然而，多層感知器網(wǎng)絡(luò)不

多層感知器，為什么能實(shí)現(xiàn)非線性？

由于增加了激活函數(shù)，如果激活函數(shù)是非線性的，則可以實(shí)現(xiàn)非線性。這個(gè)原則很簡(jiǎn)單。你可以試著用非線性函數(shù)來(lái)設(shè)置一個(gè)線性函數(shù)來(lái)運(yùn)算，結(jié)果一定是非線性的。

然而，多層感知器網(wǎng)絡(luò)不一定具有激活函數(shù)，并且激活函數(shù)不一定是非線性的。該方法可人為設(shè)定，僅利用非線性激活函數(shù)加隨機(jī)權(quán)初值，是理論和實(shí)踐驗(yàn)證的最佳方法。

深度學(xué)習(xí)和普通的機(jī)器學(xué)習(xí)有什么區(qū)別？

一張圖片顯示了這種關(guān)系。機(jī)器學(xué)習(xí)是人工智能的重要領(lǐng)域之一，而深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支。深度學(xué)習(xí)之所以近年來(lái)流行起來(lái)，是因?yàn)樗黄屏藗鹘y(tǒng)機(jī)器學(xué)習(xí)無(wú)法解決的一些問(wèn)題。

機(jī)器學(xué)習(xí)的意義在于代替人工完成重復(fù)性工作，識(shí)別出統(tǒng)一的規(guī)則（模式）。但是對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來(lái)說(shuō)，特征提取的難度不?。ㄌ卣骺梢允窍袼亍⑽恢?、方向等）。特征的準(zhǔn)確性將在很大程度上決定大多數(shù)機(jī)器學(xué)習(xí)算法的性能。為了使特征準(zhǔn)確，在特征工程部分需要大量的人力來(lái)調(diào)整和改進(jìn)特征。完成這一系列工作的前提是，數(shù)據(jù)集中所包含的信息量是充分的，并且易于識(shí)別。如果不滿(mǎn)足這一前提，傳統(tǒng)的機(jī)器學(xué)習(xí)算法將在信息的雜亂中失去其性能。深度學(xué)習(xí)的應(yīng)用正是基于這個(gè)問(wèn)題。它的深層神經(jīng)網(wǎng)絡(luò)使它能夠在雜波中學(xué)習(xí)，自動(dòng)發(fā)現(xiàn)與任務(wù)相關(guān)的特征（可以看作是自發(fā)學(xué)習(xí)的特征工程），并提取高級(jí)特征，從而大大減少了特征工程部分任務(wù)所花費(fèi)的時(shí)間。

另一個(gè)明顯的區(qū)別是他們對(duì)數(shù)據(jù)集大小的偏好。傳統(tǒng)的機(jī)器學(xué)習(xí)在處理規(guī)則完備的小規(guī)模數(shù)據(jù)時(shí)表現(xiàn)出良好的性能，而深度學(xué)習(xí)則表現(xiàn)不好。隨著數(shù)據(jù)集規(guī)模的不斷擴(kuò)大，深度學(xué)習(xí)的效果會(huì)逐漸顯現(xiàn)出來(lái)，并變得越來(lái)越好。對(duì)比如下圖所示。

C語(yǔ)言可以做人工智能開(kāi)發(fā)嗎？C語(yǔ)言和python是開(kāi)發(fā)人工智能的最佳選擇嗎？

可以使用C作為底層組件，但是如果沒(méi)有面向?qū)ο蟮臋C(jī)制，處理大型項(xiàng)目并不容易。為什么要用C/C和python進(jìn)行協(xié)作，是因?yàn)镃/C的運(yùn)行速度是python的10倍，而python的開(kāi)發(fā)速度是C/C的3倍，如何處理？首先使用Python開(kāi)發(fā)可以使用的軟件。當(dāng)出現(xiàn)性能問(wèn)題時(shí)，使用C/C重寫(xiě)出現(xiàn)性能問(wèn)題的部分，以?xún)?yōu)化性能。這樣，才能達(dá)到最佳的開(kāi)發(fā)效率。當(dāng)然，如果您在分析問(wèn)題之初就認(rèn)為這個(gè)地方是性能瓶頸，可以直接用C/C編寫(xiě)，目前這是一種比較好的開(kāi)發(fā)方法，但也有C/C和C#、C/C和Lua的組合。