深度学习 模式识别
AI与模式识别
AI与模式识别随着人工智能（AI）技术的不断发展和应用，模式识别作为其重要组成部分之一，也受到了广泛的关注和研究。
通过模式识别技术，AI 系统能够从大量的数据中发现并应用各种模式和规律，进而实现更准确、高效的数据分析、预测和决策。
一、AI在模式识别中的应用AI技术在模式识别方面的应用非常广泛。
首先，AI能够通过机器学习算法从大量的数据中学习和提取特征，进而构建模式库，并对未知数据进行模式匹配和识别。
例如，利用AI技术，我们可以将图像中的物体和人脸进行识别，感知语音中的语音命令，或者将文本数据进行情感分析和主题建模等。
其次，AI能够利用模式识别技术帮助解决实际问题。
例如，在医学领域，AI可以通过分析大量的医学图像和病例数据库，识别疾病的模式和特征，帮助医生进行准确的诊断和治疗。
在金融领域，AI可以通过对市场数据进行模式识别，帮助投资者进行投资决策和风险管理。
二、AI与机器学习在模式识别中的关系机器学习是AI中实现模式识别的重要技术手段之一。
通过机器学习算法，AI系统可以利用已有的数据样本来学习和推断未知数据的模式和规律。
机器学习可以分为监督学习、无监督学习和强化学习等不同类型，根据不同的问题和数据类型选择合适的学习方法。
监督学习是机器学习中最常见的类型之一，其通过已有的标记数据样本进行学习和推断。
例如，在人脸识别中，AI系统可以通过大量的带有标记的人脸图像进行学习，然后对未知人脸进行识别。
无监督学习则是利用无标记数据进行学习和推断，通常用于数据聚类、异常检测等任务。
而强化学习则是通过试错和奖惩机制来学习和改进AI系统的决策策略。
三、AI与深度学习在模式识别中的应用深度学习是机器学习领域中的一种重要技术手段，也是实现模式识别的关键方法之一。
深度学习模型由多个神经网络层级组成，通过层层抽象和学习，能够更好地处理复杂和高维度的数据。
深度学习在计算机视觉、自然语言处理等领域取得了显著的成果。
例如，在图像识别中，通过深度学习模型如卷积神经网络（CNN），AI系统可以学习和提取图像中的特征，自动识别物体、场景等。
人工智能的模式识别和模式识别方法
人工智能的模式识别和模式识别方法人工智能（Artificial Intelligence，简称AI）是计算机科学的一个分支领域，致力于开发智能系统，使其能够模仿人类的思维和行为。
模式识别是AI的一个重要领域，通过识别和学习事物的模式，让计算机能够处理和理解复杂的信息。
模式识别是一个广义的概念，它包括从海量数据中识别出规律性的模式，从而用于分析和预测未来的趋势。
在人工智能领域中，模式识别主要涉及机器学习、深度学习和神经网络等技术的应用。
下面将详细介绍这些模式识别方法以及它们在人工智能中的应用。
机器学习是一种程序设计技术，通过让计算机根据已有的数据样本训练模型，从而使其能够自动学习和预测。
机器学习的过程主要分为训练和预测两个阶段。
在训练阶段，计算机通过输入一系列已知的数据样本，通过自我调整的方式建立数学模型，这个过程称为模型训练。
在预测阶段，计算机利用已训练好的模型，输入未知的数据样本，通过模型的推理或预测能力，输出相应的结果。
在机器学习中，常用的模式识别方法包括支持向量机（Support Vector Machine，SVM）、K近邻算法（K-Nearest Neighbor，KNN）、决策树（Decision Tree）等。
SVM是一种广泛应用于模式分类和回归分析的算法，其基本思想是通过一个超平面将样本划分成不同的类别。
KNN算法则是根据相似度进行分类，即根据未知样本与已知样本的距离选择最近的K个邻居，然后根据这些邻居的类别进行分类。
决策树则是一种树结构模型，通过对数据集进行划分，构建树结构来实现分类。
这些方法均适用于模式识别中的分类问题。
除了机器学习，深度学习也是一种重要的模式识别方法。
深度学习是一种神经网络模型，通过多层的神经元网络来模拟人类大脑中的神经元之间的相互连接和信息传递过程。
相比于传统的机器学习方法，深度学习能够处理更复杂、更庞大的数据集。
深度学习的核心是人工神经网络（Artificial Neural Networks，ANN），其中最为常见的模型包括卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）。
如何使用深度学习技术进行模式识别和分类
如何使用深度学习技术进行模式识别和分类深度学习技术是一种基于人工神经网络的机器学习方法，被广泛用于模式识别和分类任务。
本文将介绍如何使用深度学习技术进行模式识别和分类，并提供一些实用的方法和技巧。
深度学习技术通过多层次的神经网络实现模式识别和分类。
它可以通过大量的训练数据来学习模式的特征和相关规律，从而具备较强的模式识别和分类能力。
下面是一些使用深度学习技术进行模式识别和分类的基本步骤：1. 数据准备：首先需要准备包含样本数据的训练集和测试集。
训练集用于训练深度神经网络，而测试集则用于评估模型的性能。
确保训练集和测试集的样本数量均衡，样本数据的质量和多样性也很重要。
2. 构建神经网络模型：根据任务的需求和数据特点，选择合适的神经网络模型。
常用的深度学习模型包括卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）和Transformer等。
根据实际情况，调节模型的深度、宽度和超参数等。
3. 数据预处理：对于模式识别和分类任务，数据预处理尤为重要。
常见的预处理操作包括数据降噪、数据归一化、数据平衡和数据增强等。
这些操作可以提高模型的鲁棒性和泛化能力。
4. 模型训练：使用训练集对构建好的神经网络模型进行训练。
训练过程中需要选择合适的损失函数和优化算法，并设置适当的学习率和训练轮数。
在训练过程中，可以监控模型的损失函数和准确率等指标，以及使用验证集进行模型选择和调优。
5. 模型评估：使用测试集对训练好的模型进行评估，计算模型的性能指标，如准确率、召回率和F1值等。
同时，可以通过绘制混淆矩阵等方式对模型的分类结果进行可视化分析，以进一步了解模型的强弱和改进方向。
6. 模型优化：根据模型评估结果，分析和优化模型的不足之处。
可以尝试调整网络结构、调节超参数、增加样本数据量或引入正则化等方法来提高模型的性能。
此外，集成学习和迁移学习等技术也可应用于模型优化中。
模式识别技术研究及应用现状分析
模式识别技术研究及应用现状分析随着人工智能技术的发展，模式识别技术逐渐成为研究热点。
所谓模式识别，是指通过对大量数据进行学习和分析，从中提取出特征并建立相应的数学模型，最终实现对未知数据的自动识别和分类。
在现代科技、医学、工业、军事等领域，模式识别技术已经得到了广泛应用。
本文将主要从技术原理、应用领域和发展趋势三个方面阐述模式识别技术的研究及应用现状。
一、技术原理模式识别技术主要包括特征提取、模型建立和分类判别三个步骤。
其中，特征提取是模式识别的关键，它通常是通过对数据进行处理和转换，选取最具代表性的特征来描述数据集。
常用的特征提取方法包括傅里叶变换、小波变换、主成分分析等。
模型建立是指根据所选取的特征，构建合适的数学模型，通常采用人工神经网络、支持向量机、决策树等算法。
分类判别是指将未知数据样本归入已知类别的过程，在实际应用中，通常需要通过学习训练样本进行分类器的训练和调优。
二、应用领域模式识别技术在各个领域的应用日益广泛。
以下主要介绍几个领域。
1.医学领域医学影像诊断是目前医学领域中最重要的应用之一。
基于模式识别技术的医学影像分析能够实现对肿瘤、心脏、神经等疾病的诊断和治疗。
此外，模式识别技术还常被用于分析生物信号，如心电图、脑电图、眼电图等，从中提取出有助于诊断的特征。
2.金融领域金融风险控制是模式识别技术在金融领域中的重要应用之一。
基于模式识别技术的风险管理模型能够实现对信用风险、市场风险、操作风险等各种风险的监测和控制。
此外，模式识别技术还可以对市场和投资进行预测和分析，帮助投资者制定出最优化的投资策略。
3.智能制造领域智能制造是将物联网、云计算、大数据等技术应用于制造业的转型升级。
模式识别技术在智能制造中的应用主要包括工业设备故障诊断、工业自动化控制、产品质量检测等。
通过应用模式识别技术，能够实现对制造过程中各环节的监控和自动化控制，从而提高制造效率和产品质量。
三、发展趋势随着数据量的不断增加和计算能力的提高，模式识别技术将有望迎来更广泛的应用。
深度学习的原理与应用
深度学习的原理与应用深度学习是一种模拟人脑神经网络结构进行数据处理和模式识别的人工智能技术。
它在图像识别、语音识别、自然语言处理等领域取得了巨大的成功。
本文将介绍深度学习的原理、常用的神经网络结构以及其在不同领域的应用。
1. 深度学习的原理深度学习的核心思想是模拟人脑神经网络，通过多层次的神经元组成的网络来学习和处理信息。
它可以自动从大量的数据中学习特征和规律，并进行模式识别。
2. 神经网络结构深度学习的核心是神经网络结构，下面将介绍几种常用的神经网络结构。
（1）多层感知机（Multilayer Perceptron, MLP）多层感知机是最基础的神经网络结构，由输入层、隐藏层和输出层组成。
每个神经元都与前一层的所有神经元相连，通过激活函数进行信号传递和计算。
（2）卷积神经网络（Convolutional Neural Network, CNN）卷积神经网络主要应用于图像处理领域。
它通过卷积层、池化层和全连接层来提取图像的特征。
卷积层可以有效地减少模型参数，池化层可以缩小特征图的尺寸，全连接层可以进行分类。
（3）循环神经网络（Recurrent Neural Network, RNN）循环神经网络主要应用于序列数据的处理，如语音识别和自然语言处理。
它通过循环层和隐藏层的记忆单元来处理具有时间序列性质的数据。
3. 深度学习的应用深度学习在各个领域都有广泛的应用，下面将介绍几个具体的应用案例。
（1）图像识别深度学习在图像识别领域取得了突破性的成果。
例如，通过训练卷积神经网络，可以实现对物体、人脸等图像内容的准确识别。
（2）语音识别深度学习在语音识别方面也有广泛应用。
通过训练循环神经网络，可以实现对语音信号的准确识别和转录。
（3）自然语言处理深度学习在自然语言处理方面也有很多成功的应用。
例如，通过训练神经网络，可以实现机器翻译、情感分析等任务。
4. 深度学习的挑战和发展尽管深度学习在各个领域取得了巨大成功，但仍面临一些挑战。
深度学习与模式识别
深度学习与模式识别深度学习和模式识别是当今人工智能领域中备受关注的两个重要概念。
通过模仿人脑神经网络的结构与功能，深度学习能够自动地从大量数据中学习并提取出有用的特征，从而实现对复杂模式的识别和解析。
本文将探讨深度学习与模式识别的基本原理、应用场景以及未来发展趋势。
一、深度学习的基本原理深度学习是一种以人工神经网络为基础的机器学习技术。
其核心思想是通过构建多层次的神经网络结构，将数据从输入层传递到输出层，中间经过多次非线性变换和特征提取，以实现对数据的高级抽象。
深度学习的关键是深层次的特征学习，通过多层网络对原始数据进行特征提取和表达，使得网络能够学习到更加有用和判别性的特征。
二、模式识别的应用场景模式识别是深度学习的一项重要应用。
通过将深度学习应用于模式识别，我们可以实现对各种类型数据的自动分类、检测和识别。
模式识别在图像处理、语音识别、自然语言处理等领域有着广泛的应用。
在图像处理方面，深度学习技术能够对大量图像进行分类、检测以及识别。
例如，通过深度学习算法，我们可以实现对图像中物体的自动识别，如人脸识别、车牌识别等。
此外，深度学习还能够对图像中的特定目标进行检测，如疾病检测、安全监控等。
在语音识别方面，深度学习技术能够对语音信号进行分析和识别。
深度学习算法通过学习大量语音样本，能够准确地将语音信号转换为文本或命令，并实现对语音情绪和说话人的识别。
在自然语言处理方面，深度学习技术能够对文本进行语义理解和情感分析。
通过深度学习算法，我们可以对大量文本进行分析和处理，实现自动文本分类、情感识别等。
三、深度学习与模式识别的未来发展趋势深度学习与模式识别的融合将会在未来取得更广泛的应用和发展。
随着硬件计算能力的提高和数据量的增加，深度学习算法的训练效果将会更加出色，同时也能更好地满足实际应用的需求。
另外，深度学习与模式识别在医疗、金融、交通等领域的应用也将会进一步拓展。
例如，在医疗领域，深度学习可以用于医学图像的自动分析和诊断，有助于提高医疗诊断的准确性和效率。
模式识别的研究现状与发展趋势
模式识别的研究现状与发展趋势模式识别是一种利用计算机技术来识别和分类模式或数据的研究领域。
它广泛应用于许多领域，如图像处理、语音识别、自然语言处理等。
在过去几十年中，模式识别经历了快速发展，并取得了许多重要的研究成果。
同时，模式识别领域面临着一些挑战，需要进一步的研究和发展。
目前，模式识别的研究主要集中在以下几个方面：1.特征提取与选择：特征提取是模式识别的关键步骤之一、目前，有许多不同的特征提取方法，如主成分分析（PCA）、线性判别分析（LDA）等。
此外，还有一些新的特征选择方法被提出，如稀疏编码、深度学习等。
研究人员正在努力提高特征提取和选择的效果，以提高模式识别的性能和准确性。
2.分类算法：分类算法是模式识别的核心部分。
目前，有许多不同的分类算法可供选择，如支持向量机（SVM）、神经网络、k近邻算法等。
研究人员正在研究新的分类算法，以提高模式识别的效果。
3.多模态模式识别：多模态模式识别是指利用多种类型的信息（如图像、语音、文本等）进行模式识别的研究。
多模态模式识别在人脸识别、情感分析等领域有广泛应用。
目前，研究人员正在探索更有效的多模态模式识别方法，以提高准确性和鲁棒性。
4.深度学习：深度学习是一种基于神经网络的模式识别方法，近年来取得了很大的突破。
深度学习可以自动从数据中提取特征，并具有极强的表征能力。
它在图像处理、语音识别等领域取得了很好的效果。
未来，深度学习有望在更多应用领域得到广泛应用。
未来，模式识别的发展趋势主要体现在以下几个方面：1.多模态与跨模态模式识别：随着信息技术的发展，多模态数据的应用越来越普遍。
未来的模式识别趋势将更加注重多模态数据的处理和利用，以更全面地理解所研究问题。
2.深度学习的进一步应用：深度学习在模式识别中有着广泛应用的潜力。
未来，研究人员将会进一步探索和发展深度学习的新算法和方法，以提高模式识别的性能。
3.跨学科研究的持续发展：模式识别涉及多个学科领域，如计算机科学、数学、统计学等。
机器学习与模式识别
机器学习与模式识别机器学习和模式识别是计算机科学与人工智能领域中的两个重要分支。
它们通过利用数据和算法来让机器能够自动学习和识别模式，从而实现各种智能应用。
本文将对机器学习和模式识别进行介绍与探讨。
一、机器学习的基本概念机器学习是一种通过让机器从数据中学习并自我优化的方法，而无需进行显式编程。
它基于统计学和数据挖掘的技术，通过训练算法来使机器能够从数据中学习规律和模式，并根据学习到的知识做出预测和决策。
机器学习可以分为监督学习、无监督学习和强化学习三种类型。
在监督学习中，机器通过学习已知输入和输出的样本数据，建立输入与输出之间的映射关系。
在无监督学习中，机器通过对未标记的数据进行分析和聚类，发现其中的模式和关联性。
强化学习则是通过给机器提供奖励和惩罚，使它在与环境的交互中逐渐优化策略。
二、模式识别的基本原理模式识别是一种通过对数据和信号进行分析和处理，从中提取出有用信息和特征，并判断其所属类别或进行预测的技术。
它广泛应用于图像识别、语音识别、生物信息学等领域。
模式识别的主要流程包括数据预处理、特征提取、特征选择和分类器设计等步骤。
在数据预处理阶段，需要对原始数据进行滤波、降噪、归一化等操作，以提高数据的质量。
特征提取则是从数据中提取出区分不同类别的特征，常用的方法包括主成分分析、小波变换等。
特征选择是从提取得到的特征中选择最具有代表性的特征，以避免冗余和过拟合。
最后，设计合适的分类器来对输入的数据进行分类或预测。
三、应用与挑战机器学习和模式识别在各个领域中有着广泛的应用。
在医学领域，它们可以帮助医生从医学影像中自动检测疾病和异常；在金融领域，它们可以用于信用评估和风险管理；在自然语言处理领域，它们可以实现智能翻译和问答系统。
然而，机器学习和模式识别也面临一些挑战。
首先，数据的质量对于机器学习的效果至关重要，而获取高质量的标注数据是一项费时费力的任务。
其次，模型的解释性和可解释性也是一个重要问题，特别是在需要给出决策依据的场景下。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
不仅图像存在这个规律，声音也存在。从未标注的声音中发现了20 种基本的声音结构，其余的声音可以由这20种基本结构合成。 （同 声传译的秘诀之一）
第19页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
第20页
第24页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
• 浅层结构的局限性在于有限样本和计算单元情况下对复杂函数的表示能 力有限，针对复杂分类问题其泛化能力受到一定制约。
• 深度学习可通过学习一种深层非线性网络结构tronics & Information Engineering -TJPU
深度学习（Deep Learning）
1.3应用
例如图像识别、语音识别、自然语言理解、天 气预测、基因表达、内容推荐等等。
School of Electronics & Information Engineering -TJPU
的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确 性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统
School of Electronics & Information Engineering -TJPU
第4页
深度学习（Deep Learning）
从机器学习的模型结构层次来分，机器学习经历 了两次浪潮： 1 、浅层学习（ Shallow Learning ）：机器学习 第一次浪潮 2、深度学习（Deep Learning）：机器学习第二 次浪潮
深度学习（Deep Learning）
第三章
深度学习的基本思想
第23页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
• 深度学习是机器学习的第二次浪潮。
• 2006年，加拿大多伦多大学教授、机器学习领域的泰斗Geoffrey Hinton
第14页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
• 学习算法在一个什么粒度上的特征表示，才有能发挥作用？ • 就一个图片来说，像素级的特征根本没有价值。
• 例如下面的摩托车，从像素级别，根本得不到任何信息，其无法进行 摩托车和非摩托车的区分。而如果特征是一个具有结构性的时候，比 如是否具有车把手，是否具有车轮，就很容易把摩托车和非摩托车区 分，学习算法才能发挥作用。
和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启 了深度学习在学术界和工业界的浪潮。这篇文章有两个主要观点：
• 1）多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对
数据有更本质的刻画，从而有利于可视化或分类； • 2）深度神经网络在训练上的难度，可以通过“逐层初始化”（layerwise pre-training）来有效克服，在这篇文章中，逐层初始化是通过无 监督学习实现的。
第10页
深度学习（Deep Learning）
第二章
人脑视觉机理与特征
第11页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
•
从原始信号摄入开始（瞳孔摄入像素 Pixels），接着做初步处理（大脑皮层某 些细胞发现边缘和方向），然后抽象（大 脑判定眼前物体的形状），然后进一步抽 象（大脑进一步判定该物体是人脸）。
第15页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
• 1995年前后，David Field 试图同 时用生理学和计算机的手段，研 究视觉问题。
• 他们收集了很多黑白风景照片， 从这些照片中，提取出400个大小 一样的小碎片，再从这些黑白风 景照片中，随机提取另一个碎片T。 • 如何从这400个碎片中，选取一组碎片合成出一个新的碎片， 而这个新的碎片，应当与随机选择的目标碎片T，尽可能 相似，同时选取的碎片的数量尽可能少？
1. 2012年6月，《纽约时报》披露了Google Brain项目，这个项目运 用深度学习的研究成果，使用 1000 台电脑创造出多达 10 亿个连接的 “神经网络”，让机器系统学会自动识别猫。 2. 2012年11月，微软在中国天津的一次活动上公开演示了一个全 自动的同声传译系统，讲演者用英文演讲，后台的计算机一气呵成自 动完成语音识别、英中机器翻译和中文语音合成，效果非常流畅。据 报道，后面支撑的关键技术是DNN，或者深度学（DL， DeepLea究所”（IDL， Institue of Deep Learning）。
第5页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
浅层学习
20世纪80年代末期，由于人工神经网络的反向传播算
法（BP算法）的发明，给机器学习带来了希望，掀起 了基于统计模型的机器学习热潮。
20世纪90年代，各种各样的浅层机器学习模型相继被
第12页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
• 总的来说，人的视觉系统的信 息处理是分级的。高层的特征 是低层特征的组合，从低层到 高层的特征表示越来越抽象， 越来越能表现语义或者意图。 而抽象层面越高，存在的可能 猜测就越少，就越利于分类。 • 这个生理学的发现，促成了计 算机人工智能，在四十年后的 突破性发展。
深度学习（Deep Learning）
深度学习
Deep learning
第1页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
一、深度学习的研究及意义
Title in here
二、人脑视觉机理与特征 三、深度学习基本思想 四、深度学习常用模型
的组合而成。专业点说就是基basis。V1取提出的basis是边缘，然
后V2层是V1层这些basis的组合，这时候V2区得到的又是高一层的 basis。即上一层的basis组合的结果，上上层又是上一层的组合
basis……
第21页
School of Electronics & Information Engineering -TJPU
提出，例如支持向量机（ SVM ）、 Boosting 、最大熵 方法（LR）等。
第 6页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
深度学习
2006 年，加拿大多伦多大学教授、机器学习领域的泰斗 Geoffrey Hinton等在《Science》上发表了一篇文章[1]，开启 了深度学习在学术界和工业界的浪潮。 深度学习的实质，是通过构建具有很多隐层的机器学习模 型和海量的训练数据，来学习更有用的特征，从而最终提升分 类或预测的准确性。因此，“深度模型”是手段，“特征学习” 是目的。
函数逼近，表征输入数据分布式表示，并展现了强大的从 少数样本中集中学习数据集本质特征的能力。（多层的好 处是可以用较少的参数表示复杂的函数）
第8 页
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
1.2国内外研究现状
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
结构性特征表示
•
小块的图形可以由基本edge构成，更结构化，更复杂的，具有概念
性的图形如何表示呢？
• 这就需要更高层次的特征表示，比如V2，V4。因此V1看像素级是像 素级。V2看V1是像素级，这个是层次递进的，高层表达由底层表达
深度学习（Deep Learning）
1.1背景：
• 图灵（计算机和人工智能的鼻祖）在 1950 年的论 文里，提出图灵试验的设想，即隔墙对话，你将不 知道与你谈话的是人还是电脑。 • 机器学习（Machine Learning）是一门专门研究计 算机怎样模拟或实现人类的学习行为，以获取新的
知识或技能，重新组织已有的知识结构使之不断改 善自身的性能的学科。
School of Electronics & Information Engineering -TJPU
深度学习（Deep Learning）
浅层学习的局限性在于有限样本和计算单元情况下对复杂
函数的表示能力有限，针对复杂分类问题其泛化能力受到 一定制约。
深度学习可通过学习一种深层非线性网络结构，实现复杂
深度学习（Deep Learning）
• 直观上说，就是找到make sense的小patch再将其进行combine， 就得到了上一层的feature，递归地向上learning feature。
第22页
School of Electronics & Information Engineering -TJPU