深度学习为什么好?

我们之前讨论机器学习时遇到两个无法解决的问题:

当模型复杂度越复杂时(function越多),这样loss会越小,但是理想和现实的效果会变得越来越大(训练集和验证集的效果变大)。

而当模型变得简单,理想和现实的差距会变小,但是loss也会变大

如何做到loss很低而且理想和现实很接近呢?模型不过于复杂而且loss也低

我们知道叠的层数越多模型复杂度越大 ,训练的效果越好,loss越小,同时我们的数据量规模如果足够大,也可以缩小理想和现实之间的差距,所以大部分认为如果有大资料更适用于深度学习

那为什么选择深度学习,还不选择纵向复杂度更高的模型呢?

下面的表格可以看出,同样的数量级别下,深度方向的复杂度提升效果更好

另一个对比方法是,如果横向增加模型复杂度,他增加的参数数量是比纵向增加更多

deep learning并不容易产生过拟合,需要的参数并不算多

增加深度会发生什么事情呢?

下面用一个简单的RELU函数组合进行解释:

x-a1的图像和a1-a2的图像是一样的,x由0到0.5时,a1由1变为0,a1由1变为0时,a2由1变为0又变为1,由此得到图像

由此类推:

所以要产生一个同样的function,deep 模型需要2K个neuron,而shallow需要2^K次方个neuron

复杂的模型更容易overfitting,所以我们需要的function是复杂且有规律的,更适合使用deep learning,例如语音,影像问题,深度学习的效果非常好

所以深度学习为什么好?

在比较少的参数情况下得到比较好的效果

相关推荐
VIP_CQCRE2 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
泯泷3 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
oak隔壁找我4 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁014 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
Csvn4 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent
在所不辞兄5 小时前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
锋行天下6 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
黄啊码6 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下7 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
大模型真好玩7 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek