問世十年,深度學習有哪些里程碑
雷鋒網(公眾號:雷鋒網)按:本文由圖普科技編譯自《Milestones of Deep Learning》,雷鋒網獨家首發。
「深度學習」自問世到現在已有大約十年的時間了,從一開始,它就因為其巨大的成功風靡全世界。以下是「深度學習」在這些年的發展過程中所取得的一些重大成就。
AlexNet?—?2012
AlexNet架構(圖片來自題為《ImageNet Classification with Deep Convolutional Neural Networks》的研究論文)
· AlexNet的出現證明了「卷積神經網路」確實奏效。AlexNet及其研究性論文《ImageNet Classification with Deep Convolutional Neural Networks》被認為是推動深度學習進入主流的最重要動力。
· AlexNet以15.4%的低失誤率奪得2012年ILSVRC(ImageNet大規模視覺識別挑戰賽)的冠軍。(亞軍得主的失誤率為26.2%。)
· AlexNet含有8個層,其中5個為卷積層,3個為全連接層。
· 將ReLU用於非線性函數,而非傳統的tanh函數。
· 引入了漏失層和數據增強以克服過度擬合的問題。
《ImageNet Classification with Deep Convolutional Neural Networks》,作者Alex Krizhevsky、Ilya Sutskever和Geoffrey E. Hinton。
ZF Net?—?2013
ZF網路架構(圖片來自題為《Visualizing and Understanding Convolutional Networks》的研究論文)
· 以11.2%的低失誤率奪得2013年ILSVRC冠軍。
· 與AlexNet架構相似,ZF網路也是在一些調整和優化中不斷提高了其工作性能。
· 引入了一項可視化技術——「轉置卷積網路」——來觀察卷積神經網路的內部工作原理。
《Visualizing and Understanding Convolutional Networks》,作者Matthew D. Zeiler和Rob Fergus。
VGG Net?—?2014
VGG網路架構(圖片來自Keras博客:
https://blog.keras.io)
· 以7.3%的失誤率取得了2014年ILSVRC的「分類及定位」比賽的單項冠軍。
· VGG網路架構擅長圖像分類及圖像定位。
· VGG網路含有19個層,其過濾器為3x3(AlexNet的過濾器為11x11,ZF網路則為7x7。)
· 簡單的深度結構對於分層特徵提取十分有效。
《Very Deep Convolutional Networks for Large-scale Image Recognition》,作者Karen Simonyan和Andrew Zisserman。
GoogLeNet?—?2014/2015
GoogLeNet網路架構(圖片來自題為《Going Deeper with Convolutions》的研究論文)
· 以6.7%的失誤率取得了2014年ILSVRC的冠軍。
· 引入了「Inception單元」,強調了卷積神經網路的層不需要每次都按照順序排列疊加。
「Inception單元」(圖片來自題為《深入卷積》的研究論文)
· 含有22塊的網路層(單獨看,每一塊含超過100個層。)
· 非全連接層
· GoogLeNet證明,優化的非連續結構的性能可能比連續結構的性能還要好。
《Going Deeper with Convolutions》,作者Christian Szegedy等人。
Microsoft ResNet?—?2015
ResNet網路架構(圖片來自題為《Deep Residual Learning for Image Recognition》)
· 以3.6%的失誤率取得了2015年ILSVRC的冠軍。(據了解,普通人的失誤率大約為5-10%,ResNet的準確度超過了人類水平。)
· ResNet網路是有著152個層的「超深度」網路架構。
· 引入了「殘差塊」以減少過擬合。
殘差塊(圖片來自題為《Deep Residual Learning for Image Recognition》的研究論文)
《Deep Residual Learning for Image Recognition》,作者Kaiming He、Xiangyu Zhang等人。
伴隨著深度學習模型對人類能力的一次次超越,在未來幾年,我們一定能看到更多有趣的深度學習模型,及其重大成就。
「深度學習」是否等同於「卷積神經網路」?
重新回顧上面的內容,你可能會有這樣的疑惑——「深度學習」是否就是「卷積神經網路」呢?
答案:不全是。
事實上,下面的模型都被稱為「深度學習」:
· 卷積神經網路
· 深度玻爾茲曼機
· 人工神經網路
· 堆棧式自編碼器
在以上的例子中,「卷積神經網路」是「深度學習」領域最突出且定義最明確的,至少目前是這樣。但是,我們必須始終記住「卷積神經網路」並不是「深度學習」的全部內容。
查看文章——《What is Deep Learning??》。了解「深度學習」是怎麼來的,以及它與機器學習和人工智慧有著什麼樣的關係。
※演算法工程師入門第三期——黃李超講物體檢測
※第五屆CCF大數據學術會議即將開幕,亮點搶先看
※青雲 QingCloud 黃允松:如果一定要下定義,我們是 ICT 運營商
TAG:雷鋒網 |
※深度學習半年計劃
※深度學習的一些概念分享
※測測你是哪個階段的深度學習工程師?
※深度學習很難?一文讀懂深度學習!
※10句世界經典名人名言,濃縮的精華最有深度,值得學習!
※進階深度學習?這裡有9個給程序員的建議
※深度學習第8期:深度學習的常見框架
※這是一份「不正經」的深度學習簡述
※心理學深度剖析:你身邊有沒有這樣的朋友,十有八九城府深!
※深度強化學習這塊,有人說我們已經觸頂了……
※這一年,我們深度探訪過的國際學校
※半導體產業這樣看深度學習
※很多家庭留學過程走彎路,是因為沒有對源頭深度思考:大數據時代的上海留學
※四段話,略有深度
※邂逅深度學習
※最有深度的十九句話,能讀懂就是高人!
※這裡有一篇深度強化學習勸退文
※思維既有闊度又有深度,這個星座其實已經很完美了
※思維既有闊度又有深度,這一個星座其實已經很完美了
※這是一個能深度學習的測試平台