目前深度学习依旧火热,全世界开口闭口都是深度学习,感觉那深度学习已经充斥在我们周围的空气当中,
呼吸都不能错过,真是令我们沉迷其中无法自拔。那深度学习是不是无所不能呢?且来看看深度学习的适用场景:
1.适合掌握深度学习的任务应具备这样一些特点:
(1)具备大量样本数据。深度学习是数据驱动的模型,如果样本数据难以获取或者数量太少,我们认为就不适合深度学习技术解决
(2)样本数据对场景的覆盖度足够完善。深度学习模型的效果完全依赖样本数据表现,如果出现样本数据外的情况,模型的推广性会变差
(3)结果对可解释性的要求不高。如果应用场景不仅要机器能够完成某项任务,还需对完成过程有明确的可解释性,这样的场景就不那么适合深度学习。
了解了深度学习的适用场景之后,我们来了解一下如何应用深度学习去解决我们的任务。也就是深度学习的基本流程:
2.深度学习的基本流程
(1)模型搭建:我们可以自己搭建自己的模型,也可以根据任务利用经典的模型进行细微的调整。
(2)数据预处理:不管什么任务,数据的处理都是解决问题的很关键步骤。
(3)训练模型:有了模型、数据之后,则可以把数据喂给模型,让模型自行学习,直至模型收敛。
(4)结果可视化:在训练过程中,我们可以对一些指标进行可视化(比如loss的变化曲线等)辅助我们对已学习模型的判断。
也可以辅助模型的验证选择。
(5)测试(预测):我们的最终目的就是利用模型对新的数据进行预测,