宽度学习与深度学习中的时空转化问题
大家好,又见面了,我是你们的朋友全栈君。
ž在自然界中运动是绝对的,静止是相对的。这句话也说明了深度学习过去、现在、未来。由于我发现山东大学有个组和澳门大学陈俊龙团队的宽度学习、极限学习等。 目前由于神经网络是黑盒研究、所以很多人利用反卷积和卷积可视化来解释这种微分和积分的编程,由于冗余和稀疏特性使用微积分或者差分求导数和偏导是必然。 宽度学习文章和代码研究地址:http://www.broadlearning.ai 在深度学习上目前比较流行的:DBN深度信任网络、DBM(深度玻耳兹曼机)、CNN(卷积神经网络)、RNN(循环神经网络)、自编器。 SLFN(单层前馈神经网络)应用在回归和分类,由 Yoh-Han Pao 教授在 1990 年代提出的随机向量函数链接神经网络(random vector functional link neural network,RVFLNN)提供了不同的学习方法。 特征提取和降维 实现效率突出的特征提取常用方法包括,变量排序(variable ranking),特征子集选择(feature subset selection),惩罚最小二乘法(penalized least squares),随机特征提取方法,包括非自适应随机投影(non-adaptive random projections)和随机森林(random forest)以及基于卷积的输入映射等等。
为了证明 BLS 的有效性,我们将与现有「主流」方法的分类能力进行比较,包括堆叠自动编码器(Stacked Auto Encoders,SAE),另一个版本的堆叠自动编码器(another version of stacked autoencoder,SDA),深度信念网络(Deep Belief Networks,DBN),基于多层感知器的方法(Multilayer Perceptron based methods,MLP)深玻尔兹曼机(Deep Boltzmann Machines,DBM),两种的基于 ELM 的多层结构,分别表示为 MLELM 和 HELM。在我们的实验中,网络由 10×10 特征节点和 1×11000 增强节点构成。相关的权重均为随机生成。
BLS 的测试精度以及其他所提到的深度算法测试精度如表格 1 所示。虽然 98.74% 不是最优秀的(事实上,深度学习的表现仍然比 SAE 和 MLP 好),BLS 在服务器上的训练时间被压缩到了 29.6968 秒。此外,应该注意的是,MNIST 数据特征的数量减少到 100。这个结果符合学者在大数据学习中的直觉,也就是现实应用中的数据信息通常是冗余的。 核心问题:深度学习和宽度学习的智能计算是在时空转换基础上进行的。 在操作系统中内存管理是多级页表来节省空间(这个就是深度的来源) 神经网络与深度学习入门教程中解释是:类比逻辑门微分编程计算技术做出来详细的Analogy的Logic Circuits和neural network,C++与C最大的区别在于bool计算和泛类编程。 同时为什么使用一种语言而不是其他语言,不是其他语言不行,而是python语言本身数据类型更加擅长与向量计算,C、C++、Java中封装的数组。向量容易升维成张量。张量流可以理解维矩阵,矩阵容易进行各种计算可以看看网易云上MIT的线性代数课程和台湾清华大学《线性代数》赵启超教授的课程就能体会到了,同时也是现代人工智能技术的基础。 目前的人工智能技术水平真心很一般不要听任何吹水,(可以上网看看:人工智能“农民工”中数据标记员)能很好的反应这一个事实。 辩证的态度看问题,目前只是深度学习比较流行和在某些领域比较擅长这种计算模型,在MIT和谷歌的数学和计算机科学这本书中有相关理论描述。从工业届考虑我们要根据不同的问题特征来选用不同方法,这种方法论就是学派。我们学东西最后如果能清晰的感受和利用学派的方向,那么我们在认知和实践上升华会到达一定程度。 机器学习有五大学派,我个人理解深度学习有三大学派。学习学习告诉我们要想更好:永无止境的接受新知识!让我们站在巨人肩上进步。
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/143623.html原文链接:https://javaforall.cn
相关文章
- 机器学习天降福音!数据科学家、Kaggle大师发布「ML避坑宝典」
- Flask 学习-30.flask_jwt_extended 自定义 token 过期返回内容
- Flask 学习-38.Flask-RESTful 序列化输出中文显示问题
- 【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理
- 【RTOS训练营】课程学习方法和C语言知识(指针、结构体、函数指针、链表)和学员问题
- 我们来深化学习微服务架构解析:微服务的采用前提,流程管理
- 算法学习–分酒问题(BFS)[通俗易懂]
- Linux学习笔记之mac系统Vmware Fusion虚拟机黑屏问题
- 关于虚函数的学习思考
- (数据科学学习手札146)geopandas中拓扑非法问题的发现、诊断与修复
- python中使用马尔可夫决策过程(MDP)动态编程来解决最短路径强化学习问题|附代码数据
- 【深度学习】「刷耳识别」解决戴口罩刷脸问题,准确率高达99%
- JCIM|用机器学习预测分子活性,应充分考虑活性悬崖问题
- 推荐系统遇上深度学习(十二)--推荐系统中的EE问题及基本Bandit算法
- 重新审视Prompt优化问题,预测偏差让语言模型上下文学习更强
- 学习小组笔记Day7-秦瑶 测序知识
- 深度学习基础入门篇[五]:交叉熵损失函数、MSE、CTC损失适用于字识别语音等序列问题、Balanced L1 Loss适用于目标检测
- Linux下英语学习的最佳选择(linux英语学习软件)
- Linux的强大属性:T技术驱动学习(linux属性t)
- 灵活运用:学习Oracle触发器类型(oracle触发器类型)
- 深度学习如何解决生物调试问题?
- 实例SQL Server经典实例:学习如何解决复杂问题(sqlserver经典)
- 深入学习Oracle实战型代码示例分享(oracle代码示例)
- MongoDB学习笔记(四)用MongoDB的文档结构描述数据关系