神經網路是包治百病的狗皮膏藥嗎？
時下人工智慧、深度學習真是火遍全球！它們好像多以神經網路為基礎演算法模型，那麼不禁要問神經網路是人工智慧、深度學習的普適基礎演算法模型嗎？我的答案是否定的！至少有以下四點理由。
神經網路的訓練需要有大樣本資料作為訓練集，而人類智慧型和知識在很多領域並不是基於大樣本得到解決和答案的。比如，我們要得到乙個戰術飛彈的命中精度和可靠性資料，也許我們可以試射
1000
發，然後從這個還算大的樣本中得到結果。但是如果我們要得到乙個型號的戰略飛彈的命中精度和可靠性資料呢，也試射
1000
發嗎？要是核彈呢？顯然這些問題並不適合使用神經網路模型去推測。還有神經網路其實是乙個內插模型，它對內插性質的用例準確率較高，而對於外插類用例並不一定好用。
神經網路只針對單一命題做訓練和求解，但是可以想象，物聯網、智慧型生活主題下資訊的產生一定是多元的，正如《富感測器資料融合與綜合決策》一文所述，需要用到的還有多目標規劃、非線性規劃、機器推理等技術。在這樣的環境下，神經網路連「笨辦法」都算不上。
神經網路演算法並不能應用於智慧型環境安全性、可靠性綜合評價。而只有智慧型環境安全性、可靠性綜合評價系統過關了，整個智慧型環境才是可用的。所以現在一味的用神經網路這一條腿走路是行不通的！
現在的神經網路訓練需要驚人的計算資源。神威太湖之光超級計算機馬力全開時的耗電量相當於
30萬人口的小鎮的耗電量。用怎麼大的資源訓練乙個神經網路，凸顯出來的是暴力和不智慧型。
7 神經網路是如何進行學習的？
我先把前面的總結一下，總結才能進步 神經網路進行 的步驟 1 將以特徵向量的形式輸入到神經網路中 2 神經網路通過一種演算法 演算法 來對輸入的資料進行處理，給出 結果。3 把 結果跟事先給出的答案進行對照，判斷 的是否準確。通過損失函式來評判 如果 的不準確，就要進行修正，修正的過程就是改進學習的...
神經網路的輸入何時是任意大小,何時是固定的
影象進行卷積的時候，因為每乙個卷積核中權值都是共享的，因此無論輸入影象的尺寸是多大的都可以都是按照步長滑動做卷積，只不過都是經過卷積運算，不同大小的輸入提取出的卷積特徵的大小也是不同的。但是,全連線層的乙個神經元對應乙個輸入。換句話說，全連線層要求固定的輸入維度。而不同大小的影象，卷積模組 卷積 非...
神經網路的反向傳導到底是在幹什麼？
如愛丁頓所述，可視為向過去傳播的波函式 共軛波函式的愛丁頓解釋 a,b m n k 1,0 0,1 把訓練集a,b當作算符，把權重w當作波函式，把分類準確率p0,p1作為能級，並用薛丁格方程去描述網路的收斂過程 神經網路的收斂過程就是在算符a和b的約束下去尋找與最低能級p0和p1對應的共同本徵態w的...