深度学习预训练和正则化如何结合提高模型泛化能力？
- 内容介绍
- 文章标签
- 相关推荐
本文共计3574个文字，预计阅读时间需要15分钟。
AI有道，一个充满情怀的公众号，1Deep Neural Network。总的来说，根据神经网络的层数、神经元的个数、模型复杂度不同，大致可分为两类：Shallow Neural Networks和Deep Neural Networks。
AI有道
一个有情怀的公众号
1
Deep Neural Network
总的来说，根据神经网络模型的层数、神经元个数、模型复杂度不同，大致可分为两类：Shallow Neural Networks和Deep Neural Networks。上节课介绍的神经网络模型层数较少，属于Shallow Neural Networks，而本节课将着重介绍Deep Neural Networks。首先，比较一下二者之间的优缺点有哪些：
值得一提的是，近些年来，deep learning越来越火，尤其在电脑视觉和语音识别等领域都有非常广泛的应用。原因在于一层一层的神经网络有助于提取图像或者语音的一些物理特征，即pattern feature extraction，从而帮助人们掌握这些问题的本质，建立准确的模型。
本文共计3574个文字，预计阅读时间需要15分钟。
AI有道，一个充满情怀的公众号，1Deep Neural Network。总的来说，根据神经网络的层数、神经元的个数、模型复杂度不同，大致可分为两类：Shallow Neural Networks和Deep Neural Networks。
AI有道
一个有情怀的公众号
1
Deep Neural Network
总的来说，根据神经网络模型的层数、神经元个数、模型复杂度不同，大致可分为两类：Shallow Neural Networks和Deep Neural Networks。上节课介绍的神经网络模型层数较少，属于Shallow Neural Networks，而本节课将着重介绍Deep Neural Networks。首先，比较一下二者之间的优缺点有哪些：
值得一提的是，近些年来，deep learning越来越火，尤其在电脑视觉和语音识别等领域都有非常广泛的应用。原因在于一层一层的神经网络有助于提取图像或者语音的一些物理特征，即pattern feature extraction，从而帮助人们掌握这些问题的本质，建立准确的模型。