化粪池 深度学习难吗？
深度学习难吗？
想起来有毅力不难，想起来不坚持就难
是否存在通用的神经网络模型，可以处理图像，语音以及NLP？
对于目前的深度学习模型，虽然深度学习的目标之一是设计能够处理各种任务的算法，但是深度学习的应用还需要一定的专业化，目前还没有通用的神经网络处理模型。然而，每一种模式也在相互学习、相互融合、共同提高。例如，一些创新可以同时改进卷积神经网络和递归神经网络，如批量标准化和关注度。一般模型需要在将来提出。
图像和视频处理，计算机视觉，最流行的是CNN，卷积神经网络，它的变形和发展，CNN适合处理空间数据，广泛应用于计算机视觉领域。例如，alexnet、vggnet、googlenet、RESNET等都有自己的特点。将上述模型应用于图像分类识别中。在图像分割、目标检测等方面，提出了更有针对性的模型，并得到了广泛的应用。
语音处理，2012年之前，最先进的语音识别系统是隐马尔可夫模型（HMM）和高斯混合模型（GMM）的结合。目前最流行的是深度学习RNN递归神经网络，其长、短期记忆网络LSTM、Gru、双向RNN、层次RNN等。
除了传统的自然语言处理方法外，目前的自然语言处理深度学习模型也经历了几个发展阶段，如基于CNN的模型、基于RNN的模型、基于注意的模型、基于变压器的模型等。不同的任务场景有不同的模型和策略来解决一些问题。
卷积神经网络pooling层有什么用？
池的理论是图像中相邻的像素是相关的。
每隔一行采样一次图像，仍然可以看到结果。经过一层卷积后，输入图像大小变化不大，但卷积核-1减小。根据相邻数据的相关性，在每个NxN区域中，一般为2x2，一个数字代表原来的四个数字，这样可以在不损失太多信息的情况下将数据减少四倍。24*24图像。使用5*5的卷积核卷积，结果是20*20（每个-2左右），经过2*2的池化，就变成了10*10。通过池化，进一步缩小了数据规模，减少了训练时间。
化粪池 pooling是什么意思啊 pooling of losses
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。
