Deep Learing之深度网络与传统的区别以及卷积神经网络的关键想法

深度网络与传统机器学习的重要区别：传统机器学习做分类的时候需要大量的先验经验和领域知识对分类特征进行设计，但是又很难保证特征的泛化能力。而深度学习可以通过网络来拟合特征可以避免这种问题，因为深度学习通过多层结构从原始数据中得到的特征可以同时提高特征的区分选择性和特征不变形，而且可微小细节的特征进行区分，如从白色的狼中区分出萨摩耶犬，同时忽略背景、亮度、姿势等特征。

卷积神经网络的4个关键想法:局部连接、权值共享、池化以及多网络层的使用

局部连接：每一层图像的局部块，被一个叫做卷积的滤波器权值映射到特征图中；
权值共享：每一层的特征图使用的过滤器是相同的，不同层使用不同的滤波器；
池化：卷积层的作用是探测上一层特征的局部连接，然而池化层的作用是在语义上把相似的特征合并起来，池化操作让这些特征对各种变化具有更好的鲁棒性；
多层网络的使用：通过多层网络实现对低级特征的组合，转换为高级的特征。