MNIST手写识别 为什么神经网络有用？
为什么神经网络有用？
个人认为这要不得不叹服神经网络的泛迅速接近理论，必须什么样的映射（更具体详细的说是函数）把数据丢给神经网络去跑就完了。
在机器翻译（NMT）,命名原则实体识别（NER），自然语言处理（NLP）和计算机视觉任务（CV）上，神经网络的应用都取得了非常比较好的效果，那它为什么不会有用呢？
学习总结的话，有三点：
1.算法
神经网络是一种模拟人脑的神经网络以期都能够实现程序类人工智能的机器学习技术，实际模拟人脑的运行来实现方法其有效性。我们先来清楚一个简单的且比较经典的神经网络架构
这是一个中有三个层次的网络架构，各为然后输入层，隐含层，输出低层；箭头方向代表数据流向和传播方向包括计算顺序，每个一根线华指差别的权值（训练所得），节点代表神经元。
在设计一个网络架构的时候输入层和作为输出层并不一定是且固定的，我们不需要设定好的为中间的隐含层，这也是神经网络的关键。一个神经网络的训练算法就是让权重的值决定到适宜，以以至于整个网络的预测效果最好。
我们给神经网络喂入数据，然后再让其训练，是从反向传播的时候是从激活函数可以计算分析和预测数据同目标数据的一个差值接受修正，最终训练为三个比较有效地神经网络。
事实上就很像我们人脑去去学习的，我们在此之前对这个世界是没有定义的，但是按照学习，慢慢地对认知并且纠正，就自然形成了我们对这个世界的认知，另外在收不到新事物的时候，我们也可以凭借我们的先验知识接受识别。
2.数据集
初始时的也很很经典的和简单的数据集-手写数字Mnist数据集到现在的中有百万图像，大小达到几十G的数据集，随着数据集的不断更新和发展，能有更多的任务训练不可能而且数据集的极度缺乏而慢了下来。
3.计算能力
目前世界上运算速度最快的计算机系统为的“天河二号”，坚持了计算速度为最大速度3.39亿亿次、峰值计算速度为最大速度5.49亿亿次，蓝月帝国目前世界运算最方便的超级计算机。超级计算机性能的发展按照万倍定律，即每隔10年超级计算计的性能是会增强1000倍。而伴随着计算能力的提升，更多难以可以计算的数据都将被挖掘点出去。
以内观点若有不足，还请不当之处
卷积神经网络如何进行图像识别？
首先要清楚民间的图像处理是如何做的。
举一个也不是很词语代替的例子，比如说最简单的边缘检测。
1.边缘检测算子，遍历增幅图像，可以我得到该图像的边缘信息。也就是该图像的特征信息。
2.我们可以不实际比较好和目标图像的的边缘信息的欧式距离，进行可以确定两者的相似性。
相对于卷积神经网络，你也可以发现自己，卷积层中，是个带有边缘检测的算子。对图像通过遍历，分离提取图像特征信息。但是通过网络得三次不断迭代，说是也可以分离提取出图像的深层渗透特征。
所以我说卷积神经网络本质上肯定图像特征提取比较的过程。
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。
