卷积神经网络原理 既然使用神经网络也可以解决分类问题，那SVM、决策树这些算法还有什么意义呢？
既然使用神经网络也可以解决分类问题，那SVM、决策树这些算法还有什么意义呢？
这取决于数据量和样本数。不同的样本数和特征数据适合不同的算法。像神经网络这样的深度学习算法需要训练大量的数据集来建立更好的预测模型。许多大型互联网公司更喜欢深度学习算法，因为他们获得的用户数据是数以亿计的海量数据，这更适合于卷积神经网络等深度学习算法。
如果样本数量较少，则更适合使用SVM、决策树和其他机器学习算法。如果你有一个大的数据集，你可以考虑使用卷积神经网络和其他深度学习算法。
以下是一个图表，用于说明根据样本数量和数据集大小选择的任何机器学习算法。
如果你认为它对你有帮助，你可以多表扬，也可以关注它。谢谢您
卷积神经网络作为特征提取器，用训练集训练好的神经网络可以提取训练集的特征吗？还是只能提取测试集的？
1. 卷积神经网络结构
2。卷积神经网络的发展历史
3。反向传播
当用训练集训练卷积神经网络（CNN）时，卷积神经网络正向传播的卷积池过程就是特征提取过程。最后，计算出网络的损失函数，然后根据链导数规则，利用反向传播算法更新网络的权值参数。这是调整各层网络和卷积核的特征抽取器的参数（各层的特征和功能不同）。
训练是为了使整个卷积神经网络的特征提取效果更好（越来越适合于训练集），所以训练后的卷积神经网络可以提取训练集的特征。
运行测试集的目的是测试特征提取器的能力。此时，通过训练集对CNN各层的参数进行训练，可以提取出相似训练集的参数（图像、声音、文本）。此时，我们需要再次运行测试集来测试CNN的特征提取能力。
数据集：机器学习任务中使用的一组数据，每个数据集称为一个样本。反映样品在某一方面的性能或性质的项目或属性称为特征。
训练集：训练过程中使用的数据集，其中每个训练样本称为训练样本。从数据中学习模型的过程称为学习（训练）。
测试集：学习模型后，将其用于预测的过程称为测试，使用的数据集称为测试集，每个样本称为测试样本。
cnn卷积神经网络中的卷积核怎么确定？
从模型中学习卷积参数，手动确定卷积核的大小和数目。二维卷积核的大小通常是奇数，例如1*1、3*3、5*5、7*7。卷积核数是网络中的信道数。常用的是128 256 512，需要根据具体任务来确定。
另外，最近，神经网络自动搜索结构非常流行，最著名的是Google的nasnet，它使用一些启发式遍历来寻找特定数据集的最优网络结构
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
