深度學習和普通的機器學習有什么區(qū)別？一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題

深度學習和普通的機器學習有什么區(qū)別？

一張圖片顯示了這種關系。機器學習是人工智能的重要領域之一，而深度學習是機器學習的一個分支。深度學習之所以近年來流行起來，是因為它突破了傳統(tǒng)機器學習無法解決的一些問題。

機器學習的意義在于代替人工完成重復性工作，識別出統(tǒng)一的規(guī)則（模式）。但是對于傳統(tǒng)的機器學習來說，特征提取的難度不?。ㄌ卣骺梢允窍袼?、位置、方向等）。特征的準確性將在很大程度上決定大多數機器學習算法的性能。為了使特征準確，在特征工程部分需要大量的人力來調整和改進特征。完成這一系列工作的前提是，數據集中所包含的信息量是充分的，并且易于識別。如果不滿足這一前提，傳統(tǒng)的機器學習算法將在信息的雜亂中失去其性能。深度學習的應用正是基于這個問題。它的深層神經網絡使它能夠在雜波中學習，自動發(fā)現與任務相關的特征（可以看作是自發(fā)學習的特征工程），并提取高級特征，從而大大減少了特征工程部分任務所花費的時間。

另一個明顯的區(qū)別是他們對數據集大小的偏好。傳統(tǒng)的機器學習在處理規(guī)則完備的小規(guī)模數據時表現出良好的性能，而深度學習則表現不好。隨著數據集規(guī)模的不斷擴大，深度學習的效果會逐漸顯現出來，并變得越來越好。對比如下圖所示。

卷積神經網絡為什么最后接一個全連接層？

在基本的CNN網絡中，全連接層的作用是將圖像特征圖中的特征通過多個卷積層和池化層進行融合，得到圖像特征的高層含義，然后用它進行圖像分類。

在CNN網絡中，完全連接層將卷積層生成的特征映射映射到具有固定長度的特征向量（通常是輸入圖像數據集中的圖像類別數）。特征向量包含輸入圖像中所有特征的組合信息。該特征向量雖然丟失了圖像的位置信息，但保留了圖像中最具特征的特征，完成了圖像分類的任務。從圖像分類任務的角度來看，計算機只需確定圖像的內容，計算輸入圖像的具體類別值（類別概率），輸出最有可能的類別即可完成分類任務。

為什么在卷積神經網絡中全連接層4096維特征向量？

通常，為了優(yōu)化計算，尺寸通常取為2的指標。

在后續(xù)計算全連接層的損耗時，總共應該有幾千個類別，所以前一層應該是1000個，所以一般是102420484096，以此類推。通過對數據集的測試，可以得到一個較好的網絡結構