春节充电系列：李宏毅2017机器学习课程学习笔记11之Why Deep Learning？

【导读】我们在上一节的内容中已经为大家介绍了台大李宏毅老师的机器学习课程的卷积神经网络，这一节将主要针对讨论深度学习要深的原因。本文内容涉及机器学习中深度学习的若干主要问题:矮胖网络和瘦高网络实验类比, modularization, analogy以及end-to-end training。话不多说，让我们一起学习这些内容吧。

课件网址：

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html

视频网址：

https://www.bilibili.com/video/av15889450/index_1.html

李宏毅机器学习笔记11Why Deep Learning?

1.矮胖网络和瘦高网络实验类比

神经网络是越深越好吗

答案是肯定的，因为更深的网络代表着更多的参数，实验结果当然更好。倘若让它们参数一样呢？也就是如果有两个网络，一个矮胖，一个瘦高，哪个效果更好

实验结果表明貌似瘦高的网络更好

2.modularization

我们在写大型程序时候，会调用各种函数，将程序模块化，这样程序可以完成很多复杂的功能。深的神经网络完成的工作和模块化类似

假设做图像分类工作。直接分为长发男，长发女，短发男，短发女，那个因为长头发男孩样本比较少，所以其classifier比较weak

如果我们分为两个模块完成此功能，一个模块区分男女，一个模块区分长短，就不会发生数据缺少的现象

这时候就算长发男数据量很少也可以出色完成分类工作

总的来说，Deep learning是做模组化这件事情，模块化需要的数据比较少。因为没有足够的training data，所以要做deep learning

3.analogy

前人已经证明了只有一个隐藏层的网络能够表示任何函数，但用更深的网络结构更有效率

可以用逻辑电路做类比，原理是类似的

剪窗花也是一个很好的类比，先折叠再剪更简便

端到端的学习是对于一个复杂的问题，给它一个input和output，让它自己去学，生产线的每个点应该做什么事情

4.end-to-end learning

端到端学习可以用于语音辨识，下图为传统的方法，前面的步骤都是手动设置，最后一步是从数据集中学到的

但用deep learning中间的步骤都可以直接train

对于图像识别也是一个应用，之前的方法也都是最后一步从数据集学习到

然而用深度学习，中间的函数都可以直接从数据集学到

对于手写数字辨识的例子，我们可以看到隐藏层越多，分类越明显