[PyTorch][chapter 9][李宏毅深度学习][Why Deep]

前言：

       我们知道深度学习一个重要特征是网络堆叠，深。 为什么需要深度，

本篇主要简单介绍一下该原因

目录：

   1： 简介

   2： 模块化分析

   3：  语音识别例子

---

一  简介

         有人通过实验,使用相同的网络参数，深度越深的网络相当于浅层网络效果更好。

        1.1  Deeper is Better

             如下图，随着网络层次逐渐加深，文本错误率逐渐降低

     

  如下图，我们只用一层的网络，参数量跟多层一样，错误率高很多.

为什么产生这种现象？

同样的参数量，深度网络比浅层网络效果更好。

---

二  模块化分析

    我们写程序，也把函数分为不同模块，实现不同功能

深度学习不同的层也相当于不同的函数,不同的函数实现不同的功能，

更高层也能使用到.

2.1  数据集的影响

 比我我们要通过一个神经网络实现做4分类

长头发女生	数据量大
长头发男生	数据量小
短头发女生	数据量大
短头发男生	数据量小

因为长头发男生数据集小，训练的网络一般会比较差。

解决方案：

         使用更深层次的网络，有的用来识别男女,有的用来识别短头发长头发

然后更高层次的网络用来做4分类.

  深度学习就相同于实现上面模组化的功能，每一层的神经元的输出，作为下一层神经元的输入.

我们没有足够的训练数据，所以做Deep Learning

---

三   语音识别例子 

  以发音识别为例：

输入了语音特征,输出对应的概率

在深度学习采样的模型如下：绿色模块是一些根据专家信息提取的声音

特征信息

Google 曾经做过实验:

    使用深度学习的模型甚至完全不需要上面绿色的模块

可以达到前面模型一样的准确率.

11: Why Deep?_哔哩哔哩_bilibili

---