深度學習可以應用在哪些場合呢？這是大家在理解深度學習和其它人工智慧技術時首先想到的問題。我們往往陷入乙個誤區，認為「人工智慧」可以搞定一切。若要回答這個問題，首先要知道另乙個問題的答案，「我們手中是否已經有足夠的資料」？然而，這個問題也需要足夠的領域知識才能作答。在學術意義上，我們想理解「邊界條件」；或者換句話說，我們想理解問題的內在約束條件。那麼，深度學習和人工智慧問題的「邊界條件」究竟是什麼呢？
下面是問題清單。若問題的答案是否定的，那預示著不確定性的存在。以下採用執行者、活動和環境來描述整個語境。
對於現實世界中的大部分情況而言，上述問題的答案都是否定的。而實現自動化的前提條件是要求上述大部分問題都能得到肯定的答案。基於深度學習的自動化給我們提供了一點迴旋的餘地。基於深度學習自動化的本質還是落腳到機器。只不過在已有資訊可以排除不確定性的情況下（比如監督式學習），深度學習可以很好地近似估計不確定情況。沒有機器知道不可知的事物（
需要首先解決無監督問題）。
具體說來，深度學習系統是學習可知的且已知的資訊，從而增加對可知的而未知的事物的確定性。上面的清單幫助我們鑑別什麼事物屬於未知的，即是一張「可知而未知」的列表。現實一點吧，如果我們不知道我們不知道，那這種難題怎麼可能破解！所以，我們必須要鑑別清楚不確定的而且無法知道的狀態。
儘管深度學習似乎像煉金術，但是實際上它並沒有魔法。因此，分清現實和科幻的模糊界限可以讓我們在競爭中獲得巨大的成功。
深度學習 1
基本概念 訓練集，測試集 特徵值 監督學習 非監督學習 半監督徐熙 分類 回歸 概念學習 從某個布林函式的輸入輸出訓練樣例中推斷出該布林函式 例項集合x x 樣例 x 每乙個例項 c x 目標概念 學習目標 f x y 訓練集 training set data 訓練樣例training examp...
深度學習1
幾天無聊，看darknet的原始碼 1.學習率 訓練的時候看到輸出資訊沒有learning rate,進 看看，發現 network.c 裡面的get current rate net 就是獲取學習率的，列印出來的rate就是lr啦 另外，訓練densenet的時候，先burning in 1000...
深度學習1
深度學習概念理解 1.訓練集 一組資料用來訓練模型 2.驗證集 一組資料，用來調整模型引數 交叉驗證 3.測試集 與訓練集保持相同分布的一組分布，用來測試模型的好壞 不參與模型的引數調整 4.batchsize 一次用來訓練的樣本數目。太小，不收斂 太大，訓練速度下降，記憶體也可能支援不住 5.ep...