批次的選擇首先決定了下跌的方向。如果數(shù)據(jù)集比較小，可以用全數(shù)據(jù)集(全數(shù)據(jù)集…顯示全部)來(lái)講深度學(xué)習(xí)中的Batch_SizeBatch_Size，它是機(jī)器學(xué)習(xí)中的一個(gè)重要參數(shù)，涉及到很多矛盾。讓我們逐一展開(kāi)。首先，為什么需要Batch_Size參數(shù)？批次的選擇首先決定了下跌的方向。

1 數(shù)據(jù)庫(kù)，像本題這種數(shù)據(jù)集的傳統(tǒng)手工特征完全夠用，沒(méi)必要用CNN和DL來(lái)吃數(shù)據(jù)。現(xiàn)在比較大的人臉數(shù)據(jù)集casiawebfacedatabase需要申請(qǐng)生物識(shí)別與安全研究中心；那么HKCU也有人臉數(shù)據(jù)集；最近有一個(gè)MegaFace，但是好像MegaFaceMegaFace還不能下載。

對(duì)于我們這些沒(méi)有足夠數(shù)據(jù)又想用CNN的人來(lái)說(shuō)，有沒(méi)有什么福音？我們強(qiáng)烈建議主題來(lái)finetune上，并歡迎交流。3人臉識(shí)別，如果沒(méi)有預(yù)處理，當(dāng)然需要檢測(cè)和定位，但是很多人臉數(shù)據(jù)集都可以預(yù)處理，所以在caffe中只需要分類。

選自《自然》作者:JeffreyM。Perkel Machine Heart編譯Machine Heart編輯部2019年，“事件視界望遠(yuǎn)鏡”團(tuán)隊(duì)拍攝了第一張黑洞照片。這張照片不是傳統(tǒng)的照片，而是對(duì)美國(guó)、墨西哥、智利、西班牙和南極洲的射電望遠(yuǎn)鏡捕捉到的數(shù)據(jù)進(jìn)行了計(jì)算數(shù)學(xué)轉(zhuǎn)換。該團(tuán)隊(duì)將代碼提供給科學(xué)界，并在此基礎(chǔ)上進(jìn)行進(jìn)一步的探索。而這也逐漸成為一種普遍的模式。

斯坦福大學(xué)計(jì)算生物學(xué)家、2013年諾貝爾化學(xué)獎(jiǎng)得主邁克爾·萊維特(MichaelLevitt)表示，目前的筆記本電腦在內(nèi)存和時(shí)鐘速度方面比其1967年的實(shí)驗(yàn)室電腦快1萬(wàn)倍?！敖裉?，我們擁有強(qiáng)大的計(jì)算能力。但問(wèn)題是，它仍然需要人類的思考。沒(méi)有能夠處理研究問(wèn)題的軟件，沒(méi)有懂得如何編寫和使用軟件的研究人員，計(jì)算機(jī)是沒(méi)有用的?！爆F(xiàn)在研究和軟件密切相關(guān)，已經(jīng)滲透到科研的方方面面。

Abstract我們訓(xùn)練了一個(gè)大規(guī)模深度卷積神經(jīng)網(wǎng)絡(luò)，將ImageNetlsvprc2010大賽中的120萬(wàn)張高分辨率圖像分類為1000個(gè)不同的類。在測(cè)試數(shù)據(jù)上，我們?nèi)〉昧藅op1和top5的錯(cuò)誤率，分別為37.5%和17.0%，相比之前的最高水平有了很大的提升。神經(jīng)網(wǎng)絡(luò)有6000萬(wàn)個(gè)參數(shù)和65萬(wàn)個(gè)神經(jīng)元，由5個(gè)卷積層(其中一些卷積層后面是最大池層)和3個(gè)全連接層(最后1000個(gè)softmax)組成。

為了減少全連通層的過(guò)擬合，我們采用了最近發(fā)展起來(lái)的正則化方法dropout，結(jié)果表明非常有效。我們還在ILSVRC2012比賽中輸入了這個(gè)模型的一個(gè)變體，得到了15.3%的top5測(cè)試錯(cuò)誤率，而第二名得到了26.2%的錯(cuò)誤率，為了提高它們的性能，我們可以收集更大的數(shù)據(jù)集，學(xué)習(xí)更強(qiáng)大的模型，并使用更好的技術(shù)來(lái)防止過(guò)擬合。