Question

深度学习可以解决非线性问题么

Answer 1

深度学习已经在计算机视觉、语言识别和自然语言理解等多个领域取得了巨大的成就。深度学习的概念源于人工神经网络的研究。深度学习结构包含一个多隐层的多层感知器。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习的概念由Hinton等人于2006年提出。基于深度信念网络(DBN)提出非监督贪婪逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习就是一种特征学习方法，把原始数据通过一些简单的但是非线性的模型转变成为更高层次的，更加抽象的表达。

深入介绍深入学习

深入研究深度学习，发现其包含三个核心概念：多层组合、端到端的学习和分布式表示。

多层组合

多层表示更符合人类的学习方式，神经网络作为其中的一种，可以从一个单一的感知输入中产生多种理解，例如一个单词的发音（与其类比，深度学习具有惊人的相似）。从一个单词的发音到大脑的理解之间存在多个隐层，这与深度学习的过程很一致。多层表示中最令人兴奋的一件事情就是，原来在处理数据分类任务的时候，是通过数据科学家建模神经网络，而现在他们可以自动生成数据模型。

当前多数分类、回归等学习方法为浅层结构算法，很多情况下只有一层表示，其局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。（多层的好处是可以用较少的参数表示复杂的函数）