一般课本都是说：深度神经网络可以自动选择特征，而最小二分法，SVM之类的都需要人来选择特征。
但是深度神经网络中，卷积层就是用来提取特征，卷积的基就是人指定的特征。
是不是可以说，深度神经网络不能自动选择特征，还是人给它选定了特征。
--
修改:johnfader FROM 113.104.209.*
FROM 113.104.209.*

SVM是人工定义特征，CNN是自动学习特征
【 在 johnfader 的大作中提到: 】
: 一般课本都是说：深度神经网络可以自动选择特征，而最小二分法，SVM之类的都需要人来选择特征。  
: 但是深度神经网络中，卷积层就是用来提取特征，卷积的基就是人指定的特征。  
: 是不是可以说，深度神经网络不能自动选择特征，还是人给它选定了特征。  
: --

发自「今日水木 on iPhone 12」
--
FROM 61.48.214.*

【 在 johnfader 的大作中提到: 】
: 对吧，卷积就是一种选特征的方法，特别是图像和语音中。
: 用了卷积，就是人类已经选定了识别对象特征的方法，不是CNN自己根据对象而选了卷积。
: 那交通预报之类的就不能用卷积了吧？预测某个路口会某个时间段会塞车。

你理解的特征， 和神经网络学习的特征，很可能不是一个东西。
神经网络学习的是数学上的特征， 它可以非常复杂， 但是是可以高度量化的，
可以用数学表示的，它可以很细微，但数学上也可以很精确，
人类的特征， 你可以理解很直观， 但也可能很模糊。
举个例子， 人脸识别， 计算机识别人类的瞳距， 或者头盖骨两眼框之间的距离，
可能差距只有几毫米， 计算机可以精确区分，在人脸识别上也会有很强的权重。
但这个特征对人眼就远没有这么敏感， 一个人化妆，整容可以很轻松骗过人眼，
但想骗过AI的人脸识别常常徒劳。
人类的特征， 比如柳叶眉， 樱桃口， 看似很直观， 却实际很难量化，人与人的标准还会不一样。
--
FROM 124.126.1.*

【 在 johnfader 的大作中提到: 】
: 人脸识别的瞳距不同，可能不属于卷积的范畴，而是pooling？
: 我说的问题是，卷积这一操作，其实就已经契合了对象的特征。图像中由很多点，线，面组成。正好可以用卷积识别出来。语音识别，由不同频率的音频组成，正好用卷积识别。
: 如果按西瓜书里面的例子： 西瓜的瓜皮颜色，瓜蒂的卷曲，这些特征是不能用卷积识别吧。
: ...................

其实， 什么是特征， 并不是太好界定的， 尤其深度神经网络，
目前， 对于网络学习到的特征， 可解释性还十分有限， 从概率或者能力角度说，
学习过程就是拟合显示概率分布的过程，原始的概率分布就蕴含着原始的特征， 如果，
能更好的拟合了这个概率分布， 就说明，学习到了这个特征， 但这个特征是数学的，可数字不可言表。
从能量的角度，也是类似， 从原始结构中提取出能量和能级分布特征， 尤其是优化出能级稳定态，
说明学习到了特征， 它也是把它整体作为一个系统来描述，特征是蕴含其中， 可数字化， 却也只是
复杂到没法数学方程解析分析的原始问题的拟合。
--
FROM 124.126.1.*

应该是吧，但程序怎么自己识别什么是特征，什么不是呢？ 就好比一个长方体，有长宽高，颜色等等，程序怎么知道这些是特征呢？

【 在 Aladdin 的大作中提到: 】
: 特征难道不就是共性？用来帮助识别某个特定目标的属性？
:
--
FROM 222.209.8.*