[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 我们已经见识了深度学习多么高冷 它无法大面积的应用 并且 我们还得通过了解数据的详细特征 以及 了解网络如何支持它的 以此获得高精度 我们知道了它如何被应用在 计算机视觉中图像分析的各种任务上 我们来回顾一下这个框图 里面有对回归 分类 以及其他机器学习任务的总结 这里我们怎样把深度学习应用在计算机视觉上呢? 尤其是 我们要讨论一下图像分类的深度特征 所以 图像分类的深度特征 在这里输入图像和相应的标签 所以 我们看到的标签 要么是一只猫 要么是一条狗 或者房子 或者其他图像中的东西 现在 我们通过特征提取进行反馈 这里 我们就用深度学习模型来进行特征提取 所以 这里输出的是这张特定图片 以及 每张图像的深度特征 现在我们推送这些图像 通过一种机器模型来推送这些代表性特征 这里 我们用的是简化的分类算子 比如逻辑斯蒂回归 逻辑斯蒂回归是一种例子 输出的是我们预测的标签 预测的标签 因此 我们将会馈入我们预测的标签y帽和 真正的标签y 把它们馈入到质量测度中 所以 y和y帽 以及质量的测度取决于你的任务 我们在任务中使用了分类精度 因此 参数w帽 才真正是逻辑回归的权重参数 所以 这些是特征的权重 机器算法要做的 是保障分类精度 尝试着通过改变和更新这些权重w帽
使精度更高 我们了解了深度学习如何在计算机视觉的各种任务中 给出高冷又令人激动的结果 我们也看到那些同时应用两种分类并且 使用神经网络和深度特征来检索新图像 我们要探寻的笔记显示 建立这种深度学习模型并且 实际运用到高冷的计算机视觉的机器学习任务中是很容易的 分类和图像检索都是我所找到的 很让我激动的工具 用这个工具你能够建立起非常激动人心的智能应用 它使用了机器学习和深度学习在当今最受追捧的技术 它使用了机器学习和深度学习在当今最受追捧的技术 [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community