神经网络主要关注图像而不是结构化数据的好处是什么?
0 275
1
该提问暂无详细描述
收藏
2021-02-10 14:54 更新 张宇哲 •  6890
共 1 个回答
高赞 时间
0

首先,这个问题是存在的。 人工神经网络擅长于图像识别、自然语言处理、音频…… 即使它们可以用于结构化数据,但它们不适用于此类数据。 这是一种被称为梯度助推器的传统模型,它引领了结构化数据的发展。如果你在结构化数据上使用深度学习,则你很可能不知道自己在做什么。

有以下两种类型的数据: 1.结构化数据-这是表格数据。 想象一下关系数据库中的excel电子表格。

2.非结构化数据-图像、音频文件和HTML页面。 虽然它们是结构化的,但它们不是结构化的数据。

一种被称为CNN的深度学习模型擅长图像识别。与完全连接的神经网络不同,在卷积神经网络(CNN)中,上一层的神经元并没有连接到下一层的所有神经元。 相反,卷积神经网络使用三维结构,其中每组神经元都分析图像的特定区域或“特征”。 CNN会按接近程度过滤连接(只对邻近像素进行分析),从而可以在计算上实现训练过程。在CNN中,每组神经元都聚焦于图像的一个部分。 例如,在猫的图像中,一组神经元可以识别头部,另一组可以识别身体,另一组可以识别尾巴,等等。

收藏
2021-02-10 18:22 更新 错位时空 •  2463