為什么神經(jīng)網(wǎng)絡(luò)有用？個人認(rèn)為這要不得不嘆服神經(jīng)網(wǎng)絡(luò)的泛迅速接近理論，必須什么樣的映射（更具體詳細(xì)的說是函數(shù)）把數(shù)據(jù)丟給神經(jīng)網(wǎng)絡(luò)去跑就完了。在機器翻譯（NMT）,命名原則實體識別（NER），自然語言處理

為什么神經(jīng)網(wǎng)絡(luò)有用？

個人認(rèn)為這要不得不嘆服神經(jīng)網(wǎng)絡(luò)的泛迅速接近理論，必須什么樣的映射（更具體詳細(xì)的說是函數(shù)）把數(shù)據(jù)丟給神經(jīng)網(wǎng)絡(luò)去跑就完了。

在機器翻譯（NMT）,命名原則實體識別（NER），自然語言處理（NLP）和計算機視覺任務(wù)（CV）上，神經(jīng)網(wǎng)絡(luò)的應(yīng)用都取得了非常比較好的效果，那它為什么不會有用呢？

學(xué)習(xí)總結(jié)的話，有三點：

1.算法

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦的神經(jīng)網(wǎng)絡(luò)以期都能夠?qū)崿F(xiàn)程序類人工智能的機器學(xué)習(xí)技術(shù)，實際模擬人腦的運行來實現(xiàn)方法其有效性。我們先來清楚一個簡單的且比較經(jīng)典的神經(jīng)網(wǎng)絡(luò)架構(gòu)

這是一個中有三個層次的網(wǎng)絡(luò)架構(gòu)，各為然后輸入層，隱含層，輸出低層；箭頭方向代表數(shù)據(jù)流向和傳播方向包括計算順序，每個一根線華指差別的權(quán)值（訓(xùn)練所得），節(jié)點代表神經(jīng)元。

在設(shè)計一個網(wǎng)絡(luò)架構(gòu)的時候輸入層和作為輸出層并不一定是且固定的，我們不需要設(shè)定好的為中間的隱含層，這也是神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。一個神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法就是讓權(quán)重的值決定到適宜，以以至于整個網(wǎng)絡(luò)的預(yù)測效果最好。

我們給神經(jīng)網(wǎng)絡(luò)喂入數(shù)據(jù)，然后再讓其訓(xùn)練，是從反向傳播的時候是從激活函數(shù)可以計算分析和預(yù)測數(shù)據(jù)同目標(biāo)數(shù)據(jù)的一個差值接受修正，最終訓(xùn)練為三個比較有效地神經(jīng)網(wǎng)絡(luò)。

事實上就很像我們?nèi)四X去去學(xué)習(xí)的，我們在此之前對這個世界是沒有定義的，但是按照學(xué)習(xí)，慢慢地對認(rèn)知并且糾正，就自然形成了我們對這個世界的認(rèn)知，另外在收不到新事物的時候，我們也可以憑借我們的先驗知識接受識別。

2.數(shù)據(jù)集

初始時的也很很經(jīng)典的和簡單的數(shù)據(jù)集-手寫數(shù)字Mnist數(shù)據(jù)集到現(xiàn)在的中有百萬圖像，大小達到幾十G的數(shù)據(jù)集，隨著數(shù)據(jù)集的不斷更新和發(fā)展，能有更多的任務(wù)訓(xùn)練不可能而且數(shù)據(jù)集的極度缺乏而慢了下來。

3.計算能力

目前世界上運算速度最快的計算機系統(tǒng)為的“天河二號”，堅持了計算速度為最大速度3.39億億次、峰值計算速度為最大速度5.49億億次，藍月帝國目前世界運算最方便的超級計算機。超級計算機性能的發(fā)展按照萬倍定律，即每隔10年超級計算計的性能是會增強1000倍。而伴隨著計算能力的提升，更多難以可以計算的數(shù)據(jù)都將被挖掘點出去。

以內(nèi)觀點若有不足，還請不當(dāng)之處

卷積神經(jīng)網(wǎng)絡(luò)如何進行圖像識別？

首先要清楚民間的圖像處理是如何做的。

舉一個也不是很詞語代替的例子，比如說最簡單的邊緣檢測。

1.邊緣檢測算子，遍歷增幅圖像，可以我得到該圖像的邊緣信息。也就是該圖像的特征信息。

2.我們可以不實際比較好和目標(biāo)圖像的的邊緣信息的歐式距離，進行可以確定兩者的相似性。

相對于卷積神經(jīng)網(wǎng)絡(luò)，你也可以發(fā)現(xiàn)自己，卷積層中，是個帶有邊緣檢測的算子。對圖像通過遍歷，分離提取圖像特征信息。但是通過網(wǎng)絡(luò)得三次不斷迭代，說是也可以分離提取出圖像的深層滲透特征。

所以我說卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上肯定圖像特征提取比較的過程。