实验室是做电磁学方向的，主要是FDTD和MOM。我在想能不能把深度学习用到解电磁场上面来，但是现在实验室没有学过深度学习的人，所以开始了单枪匹马学习深度学习的旅程。在此记录我阶段性的学习心得。
首先，我理解的深度学习就是模仿人脑建立神经通路的过程。比说如小时候认识苹果，父母告诉我们那个红彤彤的、圆圆的物体是苹果，于是我们建立了一个反射，每当看到这个物体时便知道它是苹果。但这时候我们建立的神经通路是比较简单的，只认识红彤彤、圆圆的苹果。随着经验增长，我们看到了各种状态下的苹果，红色青色的，切开的削了皮的，做成沙拉果酱的，于是我们建立了对苹果完整的神经通路，可以分辨出各种状态下的苹果。
最初还没有出现神经网络的概念时，机器学习系统只是由单个的感知器组成的，但这只能分辨单一状态的物体，就像我们幼年时所认识的苹果一样。换言之，此时系统提取的物体特征是浅显并且死板的。于是人们想到了模仿神经网络，将感知器作为细胞单元组合成网络，给它投喂大量各种状态下的物体，于是神经网络不断提取物体在各种状态下的各种特征，更新完善神经通路，这样就训练出了一个“经验丰富”的系统，对物体了如指掌。这就是“深度”学习。
“深度”归根结底就是代表投喂的数据集足够大，让系统学习的特征足够完善。以前人们总是花很大精力去研究算法，后来人们发现系统学习准确性随着数据集的扩大而上升，并且在数据集足够大时，所有的算法表现得一样好，这就是"the unreasonable effectiveness of data"。比如一个傻子和一个天才同样了解他们的母亲，因为他们与自己的母亲相处甚久，关于母亲的数据收集太多了，对于自己母亲的形象、语言、气质和行为特征都提取得非常完善。而在信息不够丰富的情况下，一个天才也会交友不慎，因为他也许还没提取到这个朋友在紧急情况下的行为特征。
那么系统是怎么学习的呢？类比我们认识苹果——眼睛看到苹果，向大脑输入一张图，然后输出“苹果”。人们把系统看成一个黑箱，当输入苹果的图像时，输出“苹果”这个词汇，这是一个映射。于是人们就利用各种函数来拟合这个映射，让它输入苹果的图像时得到“苹果”这个输出。这个过程就是监督学习，输入输出确定，你只需要建立中间这条通路。而根据所给定输出的属性可以将监督学习分为回归与分类。比如你给出苹果的答案就是分类过程，只是将物体分类为苹果。而如果你在计算一道数学题，你给出的就是个具体数值，这时就是回归过程了。换言之，输出集如果是离散的就是分类，如果是连续的就是回归。
无监督学习更像是创新的过程，比如你是个植物学家，你去到一片森林，看见了从没看见过的一种花，它是紫色的，气味比较臭。然后你又在森林其他地方看见了这个花，你发现它喜欢长在阴暗的地方，而且周围总是有一种蚂蚁。于是你把它带回实验室，给它取名并且进行研究，提取它的各种特征。而后人在研究中就可以借助你的经验了。这就是无监督学习。
标签：通路,物体,学习,苹果,深度,就是 来源： https://www.cnblogs.com/betadu/p/15766341.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。