1樓：Ethanycx
從理論上來說，無論是線性變換還是非線性變換，其實都可以在網路訓練的過程中由某幾層網路來實現（非線性的啟用函式賦予了網路非線性的描述能力），因此只要資料的量和多元性滿足訓練的需求，並不需要對原始資料手動進行變換。
但有些情況下，針對不同的任務，對原始資料進行合理的、經過驗證的非線性變換，相當於在模型中加入了資料外的先驗知識。在變換過程中資料中的一些特徵必然會損失，是否會對模型產生不良影響就在於，丟失的這些特徵是不是完成所給任務所必需的。
第二個問題，我先假設你的人體動作識別是基於影象的。網路能否在幾何形變、遮擋等干擾下進行識別，是由網路結構以及訓練資料的複雜度等一系列因素決定的。理論上如果網路足夠複雜，是可以做到像人的認知一樣魯棒的。
不過實際上，如果訓練資料中並未含有不同的動作方向、以及被遮擋的資料的，在進行識別時，這些問題必然會對網路的識別效果產生影響。不過最近提出的一些方法，比如Deformable CNN, Spatial Transformer Networks甚至Capsule等等，在結構中便賦予了網路適應幾何形變的問題。
另外， @周天元 所指應該屬於Data Augmentation範疇，即通過對影象進行Cropping、Rotation、Noise等操作，增大訓練資料的複雜性，以提高模型的泛化能力。但你可能對Dropout的理解是有一些誤區的，Dropout操作是作為網路訓練時的一種正則懲罰（Regularization），在網路某些層中，通過隨機抑制一定比例神經元的輸出，來避免個別神經元的權重過高，從而避免過擬合等問題。
2樓：
你看這個答案
用深度學習進行語音識別為什麼還要算mfcc？ - 四方之水的回答 - 知乎
在深度學習中，DNN分類器和MLP分類器有區別嗎？
JohnJim 只看神經元 感知機 類似的問題還有感知機與線性回歸，SVM的區別，感知機包含乙個輸入輸出層，再包含乙個隱層就是MLP了，比較 純淨 的MLP基本沒有學習率優化，引數初始化以及正則化優化方法。MLP可以說是DNN的前身，原理上沒有多大區別，只不過隱層變多了，優化方法豐富了，而廣義概念的...
有沒有好的深度學習方法來描述資訊損失？
David 是個有趣的問題，個人認為這個問題應該從先驗知識方面理解。比如，我不知道 等你下課 是首周杰倫的歌，第2句話就會很難理解。所以，周杰倫 還是給了我很大的資訊量。 網感至察 網感至察 TML KnowledgeCloud如何實現 小知識 大資料 大知識 網感至察 上半場的大資料你知道了，下半...
在大學，怎樣的學習方法效率最高？
G先生 對於大學生來說，要嘗試調整或者改掉中學時代那種 抄筆記與畫重點 的習慣，而高階更為有效的 寫和說 講 說的是 假裝 把這個知識講給別人聽，通過實際的講的這個過程 即便是自己對自己講，也要講出聲來 如果環境不允許，那就寫 不斷思考 調整，直到你可以把這個知識講得很順溜 別人聽得懂。至於是不是理...