1樓：王泓硯
你的理解沒有錯，神經網路模型就是擬合各種輸入特徵求得輸出類別的概率分布，輸入特徵包括顏色、紋理、輪廓等資訊，甚至還有文字描述資訊。與人理解的具有物理意義的認知層面的特徵不同，神經網路的特徵是多層資訊分布的模式，可以視為關鍵資訊相互依存的網路結構，是感知層面的資訊劃分。
2樓：Jack Stark
神經網路學到的(或者說擬合到的)是一種概率分布。對於通常使用的判別式模型，神經網路學習的是輸入x和輸出y之間的條件概率分布，即事件y在事件x已發生條件下的發生概率。因此，網路的輸入是發生的條件。
人類是根據特徵來認識事物的，比如我們看到圓圓的、掛在天上的、明亮的東西會知道它是太陽，這裡「圓圓的、掛在天上的、明亮的」就是人類理解的特徵。對於網路來說，它也是學習適合問題的特徵表達，從而進行判斷的。對影象資料來說，網路擬合的資訊我們可以理解為從低層的畫素，到稍高的紋理，再到複雜的形狀等特徵。
逐層特徵提取是神經網路最重要的能力，但是我們沒有必要理解它每一層到底在學什麼特徵，因為本來機器理解的特徵和人類理解的特徵就是不一樣的。
如果乙個神經網路的總loss loss1 loss2，那麼這個網路是如何反向傳遞更新loss1的呢
Tridu 現在大資料這麼離譜的嗎？希望是巧合。剛出實驗室，剛批改的作業就是BP反向求導的習題，居然一開啟知乎就看到了這個問題。建議題主看看相關網課ppt資料 這裡lecture18有個手寫求導pdf 貓頭嚶 我寫了一篇BP原理，你可以系統性的了解一下。 靈劍 感覺是沒有理解梯度下降的意義，我理解你...
能否設計乙個神經網路實現類似FFT的功能？
cuimolei 其實FFT是DFT的快速實現，而DFT實際上就是卷積。DFT本質上就是乙個線性變換，所以用不帶非線性變換的卷積實現FFT是完全沒問題。而DFT有各項同性的特性，意味著其可以拆解為nx1,1xn卷積兩步實現，而FFT是針對DFT冗餘計算進行的優化。也就是從計算量講 多層卷積 單層nx...
我想做乙個基於神經網路的數字識別程式，請問我應該看哪些書？
簡單一點的方法 1.看懂神經網路演算法 Andrew Ng 講的BPNN 2.收集，標記你的資料.3.matlab有個神經網路工具箱，可以直接用來訓練. king zin 我覺得Michael Nelson以數字識別為例子講人工神經網路講的不錯。當然現在數字識別基本已經是神經網路的HelloWorl...