{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","id":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","uuid":"cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title":"智慧的疆界 从图灵机到人工智能","normalized_title":"智慧的疆界从图灵机到人工智能","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787111778004","isbns":["9787111778004","9787111695714"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":456,"navigation_url":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","title_url":"https://workshop.closeclaw.top/ai/title/%E6%99%BA%E6%85%A7%E7%9A%84%E7%96%86%E7%95%8C%20%E4%BB%8E%E5%9B%BE%E7%81%B5%E6%9C%BA%E5%88%B0%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb","page_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cf76bc49-7e9b-4f42-bee8-3050a9fb9feb/search"},"page":{"printed_page":293,"pdf_page":308,"physical_index":308,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"9f3aec06e190375220ec250230f6b52d3b4c73504176a041cc696be3d820dff1"},"chapter":"内容简介","content":"这里出现了一系列新的名词，我们已经知道全连接是什么意思，这里再简单说明一下什么是卷积和池化。“卷积”（Convolution）原本是泛函分析中的概念，它是一种数学计算，信号变换中经常要用到它。在我们现在讨论的语境里，它是一种特征提取操作，最初被引入神经网络，就是为了处理模式识别中的图像特征提取的。它就像是一个漏斗，不断地在图片中平移，从下层图像中筛选数据。这个“漏斗”（专业上称作“卷积核”，Convolution Kernel）可以是各种形状的，经过漏斗过滤后，筛掉了一些数据，但可以获得更高维度的特征。譬如漏斗从像素中找出边缘，从边缘中找出形状，从形状中找出物体。漏斗对数据运算处理的过程，就像是人脑对物体分层抽象的过程。这个过程在图片识别里很关键，无论是对缩减数据规模（譬如 1000 万像素的图片，以10×10 的方形作卷积的话，下层节点规模可以缩小到 10 万）还是对提取特征都是极为有用的。\n\n而“池化”（Pooling）的本质就是采样共享，譬如以颜色采样为例，采样区域中存在若干个像素，可能每个像素的颜色值都有少许差异，原本需要若干个对应的数字去存储它们的颜色，而池化过程是用同一个采样值（最大值或者平均值之类）来代替所有像素的颜色值，这样多个像素共用一个颜色值，便能够降低数据量。\n\n前面 7.5.4 节提到的拉开深度学习热潮序幕的标志性事件—辛顿小组设计的 AlexNet 就是一个很成功的卷积神经网络，它是一个 8 层网络，其中包括 5 个卷积、池化和 Dropout 层（Dropout 是辛顿发明的一种用于避免过拟合的技巧）以及 3 个全连接层，使用 ReLU 作为激活函数，使用批量随机梯度下降算法训练。辛顿小组共使用两块 GTX 580 GPU 训练了 5 到 6 天，完成了ImageNet 数据库中 22000 种共 1500 万个标签数据的学习，达到了 16.4% 的最低错误率而夺得冠军。\n\n第 7 章 深度学习时代\n\n293","previous_page":292,"next_page":294}