在跟深度模型打交道的過程中，使用 dnn 解決了一些分類的問題。目前 dnn 好像是非常流行的一種學習方法。但是，如果要問我什麼是 dnn，dnn 到底為什麼這麼受歡迎，它到底有哪些優勢？以下是我個人的一些看法和回答。
1.什麼是 dnn？
對於這個問題，我覺得 dnn 就是利用多層抽象表示概念和特徵的一種方法。
如圖，隱藏層就是 dnn 的秘密所在，它模擬的是人體神經元的傳輸機制。加權求和->非線性啟用->偏置移動（模擬於線性回歸中的截距）->傳導下一層這就是 dnn 中的傳輸過程。正是由於隱藏層的非線性變換，使得 dnn 非常的靈活，靈活到幾乎可以擬合任何功能。
2.dnn 為什麼流行？
要回答這個問題，這麼說吧，我使用過卷積神經網路對諮詢進行過分類，分類的過程中我並不清楚它對於分類模型擬合的分類演算法公式，也許這是乙個存在的，但是未知的公式。這個公式肯定是非常複雜的，對我來說是未知的。但是它卻得到了很好的結果。我們無需去找到這個公式的表示式，就可以靈活的使用 任何分段連續的公式去建立我們的**模型。乙個隱藏層足以在一定誤差範圍內模擬任何分段連續函式。這使得在理論上，乙個隱藏層就可以解決很多問題。當然實際情況略有不同，因為現實的決策函式可能並不連續，看上去需要多個隱藏層來實現精確的分類和**。
3.dnn 的優勢
我想這個問題前面就已經回答了，dnn 的優勢就在於它隱藏層所提供的巨大的靈活性使得它可以擬合任何功能。這是任何傳統的演算法所不具備的靈活性。一般傳統的演算法首先解決的問題是有限的，其次傳統的演算法無法擬合任何模型。再次傳統的演算法只能基於已有的函式擬合，而 dnn 理論上可以模型任何複雜的對我們來說未知的函式。
4. dnn 的使用場景
我的理解是，如果決策可以通過複雜的函式進行數學建模，但是無法通過確定的規則或函式來表示。並且容許一定的誤差的情況下，就可以使用 dnn。
以上是我在對 dnn 已知的認知中，以及短暫的實踐中，對 dnn 的一些個人理解。也許隨著以後對 dnn 的打交道過程中，會獲得更深入的認識。
深度學習baseline模型 深度學習模型訓練流程
工作中訓練了很多的深度學習模型，目前到了上公升到方 的角度來看了。日常工作中有的人可能已經在遵循方 做事，可能自己沒有注意，有的人可能沒有遵循方 在做事，雖然可能最後的結果差不多，但花費的時間和精力應該會差別很大，當然這是我自己的感受。我們不必完全按照方 來做，但基本流程跟方 應該一致。下面的具體步...
認知計算與深度學習
由於統計學習理論和支援向量機從理論與實踐上解決了包括非線性系統在內的一系列淺層學習問題。之後機器學習的研究重點從分類與 轉向更深入的領域 認知的過程。認知 也稱為認識，是指人認識外界事物的過程，或者可以說是人的感官系統對外界資訊進行感知和加工的過程。對於人來說，與認知活動有關的資訊處理，包括有 個體...
深度學習模型
深度學習常用方法 深度置信網路 dbn 概率生成模型，生成資料 卷積神經網路 cnn 判別模型，處理二維圖 卷積深度置信網路 cdbn 兩者的結合 迴圈神經網路 rnn 與時間序列有關的 對抗神經網路 gan 兩個網路的零和遊戲，乙個網路用來判別，乙個網路用來生成 自動編碼器 vae 生成模型 深度...