118 | 基于深度学习的计算机视觉技术（一）：深度神经网络入门
洪亮劼
该思维导图由 AI 生成，仅供参考
在最近几年的人工智能发展中，深度学习技术成为了一个强劲的推动力。对于计算机视觉来讲，深度学习在过去几年重新改写了这个领域的核心方法论。时至今日，深度学习已经深入到了计算机视觉技术的方方面面，成为解决各类视觉问题的有力工具。
从今天开始，我们将介绍一系列以深度学习为背景的计算机视觉技术。那么在这个环节的第一篇分享中，我们首先来了解一下什么是深度学习。
为什么是深度学习
在了解一些深度学习技术细节之前，我们首先要来看一下为什么需要深度学习技术。
初学者经常会有一个误区，那就是认为和“深度学习”相对的就是“浅层学习”（Shallow Learning）。这种看法也对，也不对。
“对”的地方在于“深度学习”的确强调从数据或者说是特征（Feature）中构造多层或深度的变换，从而能够得到非线性的表征（Representation）。显然，这种效果是线性模型所达不到的。
“不对”的地方是，在所谓的“深度学习”，或者准确地讲是深度神经网络技术发展之前，就已经有了很多构造复杂非线性表征的尝试和技术。这些技术在机器学习和人工智能的发展中都起到了举足轻重的作用。
说到这里，我们就要从线性模型聊起了。从线性模型发展到非线性模型，这一步貌似理所当然，但其实这里面有一个非常重要的思路，那就是线性模型并不是不能处理数据中的非线性关系，这一点很容易被忽视。很多时候，我们其实是可以构造非线性的特征，然后利用线性模型来把所有的非线性特征给串联起来。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
深度学习技术在计算机视觉领域的应用日益成熟，成为解决各类视觉问题的有力工具。本文介绍了深度学习技术的重要性和特点。首先，深度学习技术能够自动挖掘数据中的非线性关系，通过构造多层或深度的变换，得到非线性的表征，从而满足复杂现象的建模需求。其次，在计算机视觉领域，深度神经网络已经基本代替了手动的特征挖掘，具有较强的健壮性和普适性，能够通过简单的梯度下降对复杂网络进行计算。相比于传统的树模型和概率图模型，深度学习技术的劣势可能在于需要大量的数据和计算资源，并且模型的可解释性相对较弱。因此，深度学习技术在实际应用中需要权衡计算成本和模型解释性。深度学习技术的发展为计算机视觉领域带来了新的可能性，同时也提出了新的挑战，需要进一步研究和探索。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI 技术内参》，新⼈⾸单¥98
《AI 技术内参》，新⼈⾸单¥98
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(6)
- 最新
- 精选
P小二最大的劣势应该是复杂且不可解释2018-08-319
DUO2.0对于数据量的要求很大2019-09-272
吴曦参数太多，计算复杂度高，容易过拟合。2019-01-201
Alice机器学习早期非线性模型：决策树 ，基于决策树的其他tree models；概率图模型，最大的缺点是算法没有普适性。 深度学习技术慢慢成了非线性模型的主流，特点：1自动挖掘数据间的关系；2所有模型共同用一个数学框架 深度神经网络是深度学习技术最简单最基础的一个模型，特点：有足够多的内部隐含变量（就是有足够多的参数？）可以表示出任何复杂的函数关系；计算框架具有普适性。 在计算机视觉这样的领域里，利用深度神经网络来挖掘特征基本上已经完全代替了手动的特征挖掘2019-11-29- DUO2.0模型的architecture很难调整2019-09-27
chenshaxiong我认为应该是"结果"与常识存在更大概率的"不符",因此在应用上相比"传统方法"需要更多产品化相关的工作2018-10-16
收起评论