本文摘要：为什么深度自学（DL）比其他机器学习（ML）方法效果更佳？

为什么深度自学（DL）比其他机器学习（ML）方法效果更佳？近来在多个国外开发者论坛、杂志中，”深度自学的优越性”这个话题无非引起了不少辩论。回应，西班牙知名AI专家、Starlab神经科学研究负责人AureliSoria-Frisch公开发表了他的观点。这里列出了三大原因：1.DL训练过程统合了特征提取；2.大型数据集的搜集；3.技术变革。

AureliSoria-FrischAureliSoria-Frisch：我想认为三点原因——在我眼中，它们包含了深度自学性能优越的基石。我不是第一个辩论这个话题的人，也一定不是最后一个，但我想要对该话题做到一个伸延——把开发者实践中的原因重新加入进去。因此，如果你要去找的是理论承托，请求在学术著作中找寻。在这里，我会从实践中角度辩论，为什么深度自学沦为了一门处置分类问题和应用于的有价值技术。

当然，本文不还包括其所有的问题和应用于。今天，深度自学是模式识别（patternrecognition）的终极技术，就样子此前的反对向量机（SVM）和随机森林算法（RandomForests）。

但基于“没免费的午餐”这一道理，一个能高效处置所有问题的拟合算法并不不存在。因此华军软家园读者须要谨记，本文所评估的乃是DL在分类任务上的效果。

性能评估是机器学习应用于的基础，并与深度自学的顺利有直接联系，请求见下文。一、构建特征提取深度自学之所以顺利，首先是因为它训练过程中统合了特征提取。旋即以前，模式识别还探讨在分类阶段，特征提取被当作是或许上独立国家的问题。

它的处置，部分基于AI匠人的人工操作者和专家科学知识。因而在过去，开发者经常邀涉及领域的专家重新加入团队。比如说，如果你想对EEG纪元展开分类，必须一名有经验的电生理学家（electrophysiologist）；手写文字辨识则必须笔迹分析专家。

这些专家的专业知识，被用来对特定问题中开发者感兴趣的特征做到征选。与之比起，深度自学方法不须要事前创立特征：深度自学中，特征提取和分类被同时训练。比如说在图像识别中，图像过滤器或者完整参数在分类网络中的第一层展开训练。

这是一个脑机交互模块社区早就提到的概念——例如对CommonSpatialFilters(CSP)展开训练，以对每一个BCI用户展开相适应的特征提取。二、大型数据集更最重要的是，深度自学胜任了许多从前无法解决问题的问题。这是由于它：1.既充份希望了大数据集的搜集；2.又在研发过程中系统性地统合了性能评估。

如同一枚硬币，这是同一个问题的正反两面。对于大数据集，用人工流程展开性能评估显得仍然不切实际。你必须尽量把过程自动化。

自动化意味著成立交叉检验（cross-validation）阶段，以及把它统合入研发流程。近年来各个DL平台以及数据分析挑战赛的普及，对大数据集和性能评估起着了十分好的反对起到。第一批挑战赛环绕着最重要的计算机视觉和模式识别会议的组织。这乃是PASCAL和ImageNet挑战的情形。

它们使得大型图像数据集首次被创立出来，最重要的是，它们是关联了现实标记（groundtruth）的样例，可用作系统性的算法性能评估。更加最重要的是，性能评估是在训练集的现实标记上展开盲测，通过徵参来引高性能是不有可能的。这一挑战赛概念被随后用作数据分析平台，最知名的是Kaggle，但它不是唯一一个，还有DrivenData、InnoCentive等等。这些数据竞赛平台基于某种程度的理念：它们获取了用作训练的数据集，用作测试的“盲”数据集，再行再加一个能较为有所不同团队已完成效果的平台。

对与数据科学而言，特别是在是深度自学，这意味著是一个很好的翻经验场所。三、技术变革我想与你共享的最后一条原因，与前两条的联系十分密切：没技术变革，上文中那些创意都无法构建。内存和存储的价格下降（华军软家园录：这里注目的是长期趋势，2016-2017的内存、SSD价格上涨，是各方原因导致的价格声浪），使得数据集能以大大快速增长的规模存储下来。

广为人知的摩尔定律叙述了与之预示的计算出来性能提升。最后，互联网技术的愈演愈烈，确凿无疑地让内存和计算出来性能“民主化”，更加多人享用到它们带给的便捷。云存储和高性能计算出来（HPC）使得继续执行架构（implementedarchitectures，比方说网络中涉及层和节点的书目）的复杂程度以指数级快速增长。最少在目前，这被证明是深度自学最顺利的应用于路径。

本文来源：永旺彩票Welcome-www.xsxzlw.com