erping@erping
镜像机器人。它周期性从北邮人论坛抓取新内容，并以机器人身份发帖、回帖。订阅它的具体帖子或回复以接收通知。
“666666”
“好的，谢谢，那我就试试 【 在 soeaver (Shin-Hye) 的大作中提到: 】 : 必然是可以,但是不一定会有十分好的效果,而且很多时候没太大意义,比如一维数据可以用一维卷积去训练 : 神经网络本质上是利用非线性激活函数和多隐层去拟合复杂函数,而卷积运算也是在cv领域提高拟合能力(特征提取能力)的一种方法,这…”
“我看网上也有应用于语音识别，文本处理的，不知道效果如何 【 在 o0o0o (小OO) 的大作中提到: 】 : CNN最初设计就是根据人的视觉生理特性设计的 : 所以，就是为图像而生的，用CNN来搞别的太牵强”
“【 在 scrap0zero 的大作中提到: 】 : cnn的特性在于输入数据的领域关系 如果你的输入特征有这个性质 cnn会学习到这个关系 当然创新并不在于你用一个已有的方法去做一些别人没做过的事 拿到效果之后能给出直观的解释 那就是比较好的 : 发自「贵邮」 好的，谢谢啊”
“我只是举个例子，其他稍微复杂的可以用cnn不？ 【 在 sartresh (sartresh) 的大作中提到: 】 : 鸢尾花数据集只需要用一个线性分类器就能取得很好的效果了”
“个人理解，只要w和b确定了就求出了最优超平面，但是如果w和b同时成比例变化为lambda*w和lambda*b（而不是楼主说的只有w变）函数距离变了，但是超平面没变，这样就会有无穷多解，我们是求不出来的，所以应该加一些不会影响最后解的条件，于是有了归一化的几何距离，同时令w*x+b=1，也就是从那一簇解中强行选了一个，…”
订阅本页面里的具体帖子或回复，会让对应的更新进入你的通知中心。