典型文献
基于表征学习发展的深度学习研究综述
文献摘要：
表征学习是机器学习中学习特征技术的方法集合,深度学习方法是具有多个表示组合的表征学习方法,其通过简单的线性组合和映入非线性模块,能够将原始输入转换为更高、更多的抽象表示层次,通过组合足够多的该类转换,能够从大数据集中学习非常复杂的转换函数.这些方法极大地提高了语音识别、视觉对象识别、对象检测和许多其他领域(如药物发现和基因组学)的最新技术水平.深度学习方法通过使用反向传播算法来指示机器如何在大数据集中发现复杂的结构并改变它的内部参数,其中深度卷积网络广泛应用于图像、视频、语音和音频处理,循环网络则对诸如文本和语音等顺序数据提供处理方案,而最新的Transformer类网络结构引入注意力机制,具有更加良好的挖掘数据特征的性能,逐渐替代深度卷积网络和循环网络结构,但其需要更加庞大的数据驱动,应用范围受限.本文探究深度学习发展历史及其在不同领域的应用,讨论深度机器学习的发展方向.
文献关键词：
深度学习;模型生态;Transformer
中图分类号：
作者姓名：
冯永森;李军
作者机构：
重庆交通大学机电与车辆工程学院,重庆400047
文献出处：
引用格式：
[1]冯永森;李军-.基于表征学习发展的深度学习研究综述)[J].单片机与嵌入式系统应用,2022(11):3-6
A类：
B类：
表征学习,学习发展,学习研究,习中学,学习特征,深度学习方法,线性组合,映入,表示层,集中学习,习非,非常复杂,转换函数,极大地提高,语音识别,药物发现,基因组学,反向传播算法,深度卷积网络,和音,音频处理,循环网络,序数,处理方案,Transformer,类网络,注意力机制,数据特征,深度机器学习,模型生态
AB值：
0.424203
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
