1樓：qqfig
gmm屬於比較傳統一點的概率模型（高斯混合曲線的匹配程度），他結合hmm可以很好的實現語音特徵靜動態匹配；而dnn資料模型資料關係過濾模型，對區域性和全域性關係特徵結合hmm也可以實現語音識別匹配，而gmm概率區域性性比hmm強，誤差和魯棒性差，所以識別在高精度階段效果差；而dnn在全域性性識別上空間更大，但是需要基於一定的資料標記才能體現關係建模，借助gmm確定邊界也是特點需要（當然也可以不採用gmm確定邊界），通俗的講，dnn更像小孩，需要引導；而gmm卻是流浪貓。
2樓：Yan
gmm其實可以看做一種特殊的只有乙個隱含層的radius basis function network。比起現在的DNN，深度的RBF 網路的訓練很困難。
3樓：東周
高斯混合GMM，通過多維空間的非線性（高斯正太核），以及權值，理論上可以模擬多維空間的任意非線性，優點是權值少，乙個高斯核，乙個輸出維度的向量為權值。可以通過增減高斯核，來最經濟的逼緊目標非線性。近似於人腦的感應區。
缺點：怎麼訓練？尤其是對回歸問題。
如何調節高斯核的數量。你要是研究出來了，你比Hinton的成就還大。Hinton剛提出膠囊網路，就是用非線性加權（ReLU）
DNN利用了非線性啟用函式ReLU的優良性質，就是殘差保持，使非常深度的神經網路來逼緊任何維度非線性。但是缺陷是很多非線性相對被處理的問題，是冗餘的，導致計算和資源的浪費，以至於無法普及到現在的生活中。
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...
假設關係和條件關係的區別
王泓硯 可以把從屬複句關係表示成謂詞邏輯關係 P Q P為真 是 Q為真 的前提條件。P為真 有很多種意識形態。可以是已經發生的事實 昨天下雨了，他沒來上學 也可以是一種主觀意念 如果昨天下雨，他就不會上學 從屬複句關係反映言語者邏輯思維判斷，因此 P為真 和 Q為真 都是言語者的主觀意識形態。至於...
意識和物質的關係？
淚不空 意識當然也是物質啦！只不過只是其大小的級別不同啦！屬於微量元素的啦！小到人只能通過感覺感知 而只是 視而不見 看不見的啦！人有三魂七魄，意識僅屬於 三魂 的啦！還有 植物的意識是 單核量子結構 人體意識是高階的複核糾纏量子結構的啦！ 奶茶去冰七分甜 意識的客觀存在性，我們不能清晰的獲知，但是...