1樓：船長
對於你題目中的問題，「卷積神經網路提取資訊的能力比人強嗎？」，我的回答是在很多應用領域，答案都是肯定的，CNN已經有超過人的識別能力了。這就像汽車比人跑得快一樣的。
對於你題目下提的另外乙個問題，「神經網路作出判定，是否需要在我能夠準確識別的基礎之上，否則它的判定能力也無法超越標定的人？」答案顯然是否定的，不需要，只有模型恰當，優化合適得話，神經網路超越（在效能資料上）人類也幾乎是一定的。
這一點AlphaGo已經證明過了。
2樓：臉雲
原則上沒錯，你標的都不准，訓練出來的就是「不確定行為」，雖然理論上有極小概率仍舊會準，但通常不會有那麼好的運氣的。
但是，網路的泛化能力說的就是要超越標定樣本，在未知樣本裡有同樣好的效果，換而言之，僅以訓練樣本來表示人的識別能力的話，超越不了人的話效果不會太好。
從訓練技巧來講，drop 相當於拿同構網路做 boosting，而 boosting 是可以證明能力顯著高於每乙個成員的，如果每乙個成員的能力接近於標定樣本的人，那麼最終模型也會超越標定的人。
3樓：唐申庚
個人覺得這個說法有點寬泛，具體要看是哪方面的能力。即使指最終的分類精度，也需要具體問題具體對待。
卷積神經網路能夠對原始特徵進行對映，越深的卷積層次越能夠發現一些被埋藏起來的資訊，但同時也會丟失很多對於人來說一眼就能看出來的資訊，所以將深層網路和淺層網路結合是個不錯的想法，這也就是DenseNet的想法。
神經網路需要大量的資料進行訓練，這一點其實跟人類從小到大的學習過程也是類似的。只不過神經網路是你餵給它什麼資料，它就學習什麼，具體學的怎麼樣和其中一些非線性變化和dropout層之類的也相關。對於人類來說，成長環境所帶來的正如同喂的資料，而每個人具體學的怎麼樣，則會受到更多因素的影響。
如果你讓卷積網路和人來分辨圖形，稍微進行訓練的網路就可以很好地把握圖形的邊緣資訊，因而可能帶來近乎於100%的準確率；而人類在大量資料面前即使是因為疲勞，也很可能出現分類錯誤。如果你讓卷積網路和人來對複雜背景下的物體識別，光是從背景中提取出需要辨識的物體可能就得讓卷積網路脫層皮；而對於人類，不僅可以從背景中識別出物體，就算需要將多個物體都識別出來也是小菜一碟。
所以總的來說，得看你將學習成什麼樣的網路和成長成什麼樣的人進行對比。同時也看你讓卷積網路和人進行怎樣的任務。
4樓：機器工匠
神經網路的效果當然離不開資料的正確標註，但是如果訓練資料很多，而其中稍微有那麼很小一部分因為人難以辨認而標註錯誤，其實對網路的整體效能影響不會很大。
卷積神經網路和BP神經網路的關係？
乙個維度的BP神經網路就相當於CNN中的全連線了，無非是多幾個全連線，CNN是二維，二維如果搞成全連線就導致運算量巨大，所以有了權重共享，大大減少了運算量，CNN卷積的思想肯定也源於BP神經網路就，在影象上做二維卷積的CNN發出炫目的光芒下，BP神經網路就已經快被人們遺忘了，但是不管CNN再怎麼發展...
卷積神經網路的特徵是如何學習的？
Mario 你好，剛剛答辯完。老師也提了同樣的問題，卷積是如何提取特徵的？答 從傳統影象特徵提取方法來看，卷積核其實就是很多個不同的濾波器，傳統的濾波器是人工設定的，用來提取指定的特徵，比如gabor，canny等。而卷積神經網路中的卷積核是網路隨機初始化之後再通過梯度下降演算法來進行更新，根據你指...
在卷積神經網路中卷積核為什麼都是方形的？
智星雲服務 Why convolutions always use odd numbers as filter size 卷積運算，簡單地說，是兩個矩陣的元素乘積的組合。只要這兩個矩陣在維度上是一致的，就不應該有問題，所以我可以理解你的查詢背後的動機。然而，卷積的意圖是根據濾波器或核心對源資料矩陣 ...