1. 深度学习的提出背景是什么?
深度学习是一种利用复杂结构的多个处理层来实现对数据进行高层次抽象的
算法,是机器学习的一个重要分支。传统的 BP 算法仅有几层网络,需要手
工指定特征且易出现局部最优问题,而深度学习引入了概率生成模型,可自
动地从训练集提取特征,解决了手工特征考虑不周的问题。而且初始化了神
经网络权重,采用反向传播算法进行训练,与 BP 算法相比取得了很好的效
果。
2. 讨论大数据技术对深度学习的促进作用。
除了组织存储的数据类型的不同,数据的绝对量是促进深度学习工具和技术
发展的一个关键因素。新兴公司积累了足够的数据后,技术才能更好地发挥
作用。例如 Affectiva 的前身是麻省理工学院媒体实验室在 2009 年推出的一
个研究项目。最初,该公司的研究人员试图用一对夫妇的视频“训练”面部识
别软件,用该软件解释实验者的情绪状态。多年来,Affectiva 为数以百万计
的人像镜头建立了视频库。现在,McDuff 的机器学习算法能够更加准确地评
估人的情绪。
3. 比较深度学习主流的几种学习框架。
Torch:Lua 语言编写的自带 API 的深度学习计算框架,支持机器学习算法,
核心是以图层的方式定义网络,优点是包括了大量模块化的组件,可以快速
进行组合,并且具有较多训练好的模型,可以直接应用。
TensorFlow:用 Python API 编写,对应的教程、资源、社区贡献都较多,支
持深度学习、强化学习和其他算法的工具,支持数据和模型的并行运行。
Caffe:这是一款工业级深度学习工具,将 Matlab 实现的快速卷积神经网络