
用于實際問題的深度神經(jīng)網(wǎng)絡可能具有10層以上的隱藏層。它的拓撲可能很簡單,也可能很復雜。網(wǎng)絡中的層越多,它可以識別的特征就越多。不幸的是,網(wǎng)絡中的層越多,計算所需的時間就越長,并且訓練起來就越困難。
卷積神經(jīng)網(wǎng)絡(CNN)通常用于機器視覺。卷積神經(jīng)網(wǎng)絡通常使用卷積,池化,ReLU,完全連接和丟失層來模擬視覺皮層。卷積層基本上采用許多小的重疊區(qū)域的積分。池化層執(zhí)行非線性下采樣的形式。ReLU層應用非飽和激活函數(shù)f(x)= max(0,x)。在完全連接的層中,神經(jīng)元與上一層中的所有激活都具有連接。損失層使用Softmax或交叉熵損失函數(shù)進行分類,或使用歐幾里得損失函數(shù)進行回歸,計算網(wǎng)絡訓練如何懲罰預測標簽與真實標簽之間的偏差。
遞歸神經(jīng)網(wǎng)絡(RNN)通常用于自然語言處理(NLP)和其他序列處理,還有長短期記憶(LSTM)網(wǎng)絡和基于注意力的神經(jīng)網(wǎng)絡。在前饋神經(jīng)網(wǎng)絡中,信息從輸入經(jīng)過隱藏層流到輸出。這將網(wǎng)絡限制為一次只能處理一個狀態(tài)。
在遞歸神經(jīng)網(wǎng)絡中,信息通過一個循環(huán)循環(huán),這使網(wǎng)絡可以記住最近的先前輸出。這樣可以分析序列和時間序列。RNN有兩個常見的問題:爆炸梯度(通過固定梯度很容易固定)和消失梯度(不太容易固定)。
在LSTM中,在兩種情況下,網(wǎng)絡都可以通過更改權(quán)重來忘記(控制)先前的信息并記住這些信息。這有效地為LSTM提供了長期和短期記憶,并解決了梯度消失的問題。LSTM可以處理數(shù)百個過去輸入的序列。
注意模塊是將權(quán)重應用于輸入向量的通用門。分層的神經(jīng)注意編碼器使用多層注意模塊來處理成千上萬的過去輸入。
不是神經(jīng)網(wǎng)絡的隨機決策森林(RDF)對于一系列分類和回歸問題很有用。RDF由多層構(gòu)成,但不是神經(jīng)元,而是由決策樹構(gòu)建,并輸出各個樹預測的統(tǒng)計平均值(分類模式或回歸均值)。RDF的隨機方面是對單個樹使用引導聚合(也稱為裝袋),并為樹獲取特征的隨機子集。
XGBoost(極限梯度增強)也不是一個深度神經(jīng)網(wǎng)絡,它是一種可擴展的,端到端的樹增強系統(tǒng),已針對許多機器學習挑戰(zhàn)產(chǎn)生了最先進的結(jié)果。經(jīng)常提到裝袋和提振。區(qū)別在于,梯度樹增強不是生成隨機樹的集合,而是從單個決策樹或回歸樹開始,對其進行優(yōu)化,然后從第一棵樹的殘差構(gòu)建下一棵樹。
一些最好的Python的深度學習框架是TensorFlow,Keras,PyTorch和MXNet。Deeplearning4j是最好的Java深度學習框架之一。ONNX和TensorRT是深度學習模型的運行時。
原文鏈接:https://www.infoworld.com/article/3512245/deep-learning-vs-machine-learning-understand-the-differences.html
翻譯:CDA數(shù)據(jù)分析師
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內(nèi)涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數(shù)據(jù)分析與統(tǒng)計學領(lǐng)域,假設(shè)檢驗是驗證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網(wǎng)絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數(shù)據(jù)的科學計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點數(shù)據(jù)時的科學計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務數(shù)據(jù)分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實戰(zhàn)指南 在業(yè)務系統(tǒng)落地過程中,“業(yè)務邏輯” 是連接 “需求設(shè)計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅(qū)動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務數(shù)據(jù)分析:概念辨析與協(xié)同價值 在數(shù)據(jù)驅(qū)動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實踐到業(yè)務價值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價值導向 統(tǒng)計模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10