Question

感知器和深度学习神经网络的区别和联系

Answer 1

问：感知器和深度学习神经网络的区别和联系

答：神经网络直接学习图像本身。神经网络都是通过不断地学习所提供的数据，尝试发现待求解的问题的模式。也就是说，与待处理的问题无关，神经网络可以将数据直接作为原始数据，进行“端对端”的学习。

答：感知机是两类分类的线性分类模型。假设输入为实例样本的特征向量x xx，输出为实例样本的类别y yy，则由输入空间到输出空间的如下函数称为感知机：y = g ( ∑ i = 1 n w i x i + b ) y=g(\sum_{i=1}^{n}w_ix_i+b)y=g(∑ i=1n​ w i​ x i​ +b)或者y = g ( w ⋅ x + b ) y=g(w \cdot x+b)y=g(w⋅x+b)g为激励函数，已到达对样本分类的目的。Rosenblatt的感知机用阶跃函数作为激励函数，其公式如下：g ( z ) = { 1 , ( z > 0 ) 0 , ( z < = 0 )g(z)={1,(z>0)0,(z<=0)g(z)={1,(z>0)0,(z<=0)g(z)={ 1,(z>0)0,(z<=0)​ ​

答：深度学习的一个特点就是：通过组合低层特征形成更加抽象的高层特征。传统机器学习先从图像中提取特征量，再用机器学习技术学习这些特征量的模式。这里所说的“特征量”是指可以从输入数据（输入图像）中准确地提取本质数据（重要的数据）的转换器。图像的特征量通常表示为向量的形式。在计算机视觉领域，常用的特征量包括SIFT、 SURF和HOG等。使用这些特征量将图像数据转换为向量，然后对转换后的向量使用机器学习中的SVM、 KNN等分类器进行学习。但是需要注意的是，将图像转换为向量时使用的特征量仍是由人设计的。也就是说，即使使用特征量和机器学习的方法，也需要针对不同的问题人工考虑合适的特征量。

问：训练得到的感知器数学模型的含义

答：重要概念：在正式介绍感知机模型之前，需要先对一些基本概念有所了解，如果明白这些概念可以直接跳过。感知机模型：二分类模型且线性可分。二分类：个体均可被分为两个类别，比如每个人按照生物学性别可分为男和女，通常将其中一个类别作为正类，用1表示，将另一个作为负类，用-1表示。一般将更加关注的类别作为正类。线性可分：可以用超平面将不同的样本完全分开。分离超平面：超平面是指n维线性空间中维度为n-1的子空间，分离超平面是一个可以把线性空间分割成不相交的两部分的超平面。对于二维和三维空间来说，该平面即分别为一条线和一个面，对于四维空间来说为一个体，对于五维空间，是一个四维几何结构。

答：其中数据集可以有：训练集，验证集和测试集。训练集用来建构模型，验证集用来选择模型，测试集用来测试模型。监督学习：当训练集中的实例有标记时，用此类训练集来训练模型叫监督学习。非监督学习：当训练集中的实例没有标记时，用此类训练集来训练模型叫非监督学习。

答：【问一问自定义消息】