為什么神經網絡有用？個人認為這要不得不嘆服神經網絡的泛迅速接近理論，必須什么樣的映射（更具體詳細的說是函數）把數據丟給神經網絡去跑就完了。在機器翻譯（NMT）,命名原則實體識別（NER），自然語言處理

為什么神經網絡有用？

個人認為這要不得不嘆服神經網絡的泛迅速接近理論，必須什么樣的映射（更具體詳細的說是函數）把數據丟給神經網絡去跑就完了。

在機器翻譯（NMT）,命名原則實體識別（NER），自然語言處理（NLP）和計算機視覺任務（CV）上，神經網絡的應用都取得了非常比較好的效果，那它為什么不會有用呢？

學習總結的話，有三點：

1.算法

神經網絡是一種模擬人腦的神經網絡以期都能夠實現程序類人工智能的機器學習技術，實際模擬人腦的運行來實現方法其有效性。我們先來清楚一個簡單的且比較經典的神經網絡架構

這是一個中有三個層次的網絡架構，各為然后輸入層，隱含層，輸出低層；箭頭方向代表數據流向和傳播方向包括計算順序，每個一根線華指差別的權值（訓練所得），節點代表神經元。

在設計一個網絡架構的時候輸入層和作為輸出層并不一定是且固定的，我們不需要設定好的為中間的隱含層，這也是神經網絡的關鍵。一個神經網絡的訓練算法就是讓權重的值決定到適宜，以以至于整個網絡的預測效果最好。

我們給神經網絡喂入數據，然后再讓其訓練，是從反向傳播的時候是從激活函數可以計算分析和預測數據同目標數據的一個差值接受修正，最終訓練為三個比較有效地神經網絡。

事實上就很像我們人腦去去學習的，我們在此之前對這個世界是沒有定義的，但是按照學習，慢慢地對認知并且糾正，就自然形成了我們對這個世界的認知，另外在收不到新事物的時候，我們也可以憑借我們的先驗知識接受識別。

2.數據集

初始時的也很很經典的和簡單的數據集-手寫數字Mnist數據集到現在的中有百萬圖像，大小達到幾十G的數據集，隨著數據集的不斷更新和發展，能有更多的任務訓練不可能而且數據集的極度缺乏而慢了下來。

3.計算能力

目前世界上運算速度最快的計算機系統為的“天河二號”，堅持了計算速度為最大速度3.39億億次、峰值計算速度為最大速度5.49億億次，藍月帝國目前世界運算最方便的超級計算機。超級計算機性能的發展按照萬倍定律，即每隔10年超級計算計的性能是會增強1000倍。而伴隨著計算能力的提升，更多難以可以計算的數據都將被挖掘點出去。

以內觀點若有不足，還請不當之處

卷積神經網絡如何進行圖像識別？

首先要清楚民間的圖像處理是如何做的。

舉一個也不是很詞語代替的例子，比如說最簡單的邊緣檢測。

1.邊緣檢測算子，遍歷增幅圖像，可以我得到該圖像的邊緣信息。也就是該圖像的特征信息。

2.我們可以不實際比較好和目標圖像的的邊緣信息的歐式距離，進行可以確定兩者的相似性。

相對于卷積神經網絡，你也可以發現自己，卷積層中，是個帶有邊緣檢測的算子。對圖像通過遍歷，分離提取圖像特征信息。但是通過網絡得三次不斷迭代，說是也可以分離提取出圖像的深層滲透特征。

所以我說卷積神經網絡本質上肯定圖像特征提取比較的過程。