卷积（CNN）神经网络的选择、图片识别、降维

大数据时代，机器学习经常被人们谈起，这里，我们不讲技术或者算法，只简单讨论机器学习方法的选择。首先就讨论下为什么选择卷积神经网络。

1、为什么选择神经网络

机器学习最难的地方是特征工程，而传统的机器学习是一整套的迭代和训练算法，定义一些loss function（损失函数），最小化这些损失函数，从而得到近似的或比较好的模型。但如果这个样本空间里面，本身给的样本不是线性可分的，如果用一个线性分类器来做这个问题，那他的效果一定是不太好的，但我们不能提前预知用什么样的特征工程或特征映射，能够使得拿到的特征在这个特征空间里能比较好的可分，所以存在着一定的局限性。
神经网络有比较好的效果，是因为他在做的事是能根据你的目标自动的做上述部分内容。每个神经元能自动观察每一维度的信息，然后自动调整，组合学习，形成比较好的效果。这里采用神经网络。

2、为什么要转化为分类问题

机器学习问题归纳下来就是解决regression和classification问题，也就是回归问题和分类问题，但目前regression很难做到比较高的准确度，所以最终希望转化为classification问题，举个例子，我们预测学生成绩，相较于通过历史数据进行拟合预测，采用分类问题，比如进步和退步两类判断，然后提高0_5分、510•••等区间段来对学生进行判断，准确率会大大提高。

3、为什么选用卷积神经网络

CNN、降维、图片识别（核心）
对于图片识别等问题，由于存在比较多的类别，如果使用常规的人工神经网络，需要比较深的网络结构和神经元来完成任务。这里聚合例子，当一层的神经元的个数比较大，比如4096个节点，上一层也是4096，那么一共八百多万个节点，占据的资源特别庞大（如图1）。这里引入卷积神经网络（CNN），是因为CNN是为图片识别量身定做的一个模型，能够实现降维的目标，有利于提高准确度。