深度學習與機器學習的區別
特徵提取方面
深度學習演算法試圖從資料中學習高階功能，這是深度學習的乙個非常獨特的部分。因此，減少了為每個問題開發新特徵提取器的任務。適合用在難提取特徵的影象、語音、自然語言領域資料量
機器學習需要的執行時間遠少於深度學習，深度學習引數往往很龐大，需要通過大量資料的多次優化來訓練引數。
第演算法代表一、它們需要大量的訓練資料集
第二、是訓練深度神經網路需要大量的算力
可能要花費數天、甚至數週的時間，才能使用數百萬張影象的資料集訓練出乙個深度網路。所以以後
深度學習
應用場景
自然語言處理技術
語音技術
深度學習入門介紹
深度學習是一種從訓練資料出發，經過乙個端到端 end to end 的模型，然後直接輸出得到最終結果的一種新模式。一般的機器學習處理流程如下 感測器獲得資料 預處理 特徵提取 特徵選擇 推理,或識別。預處理 特徵提取 特徵選擇，概況起來就是特徵表達，良好的特徵表達，對最終演算法的準確性起了非常關鍵的...
深度學習介紹（五）pooling
在通過卷積獲得了特徵 features 之後，下一步我們希望利用這些特徵去做分類。理論上講，人們可以用所有提取得到的特徵去訓練分類器，例如 softmax 分類器，但這樣做面臨計算量的挑戰。例如 對於乙個 96x96 畫素的影象，假設我們已經學習得到了400個定義在8x8輸入上的特徵 即400個fe...
深度學習基本演算法介紹
本篇 主要介紹的是深度學習和植物表型，開始先介紹了深度學習的幾種方法，後來又介紹了深度學習在植物表型中的應用。總結了已經做的深度學習在植物表型領域的已有工作。深度學習的應用方向 機器學習 以及深度學習 的概念可以應用於植物脅迫表型的四大類問題。這些類別構成所謂的 icqp 範例的一部分，首字母縮寫詞...