目前，对图像分类问题（例如ImageNet）的最先进的深度学习通常是"deep convolutional neural networks"（Deep ConvNets） . 他们看起来大致像Krizhevsky et al这样的ConvNet配置：
对于 inference (classification) ，您将图像输入左侧（注意左侧的深度为3，对于RGB），通过一系列卷积滤波器进行处理，并在右侧喷出1000维向量侧 . 这张照片特别适用于ImageNet，它专注于对1000类图像进行分类，因此1000d矢量是"score of how likely it is that this image fits in the category."
Training 神经网络只是稍微复杂一点 . 对于训练，您基本上会重复进行分类，并且经常进行反向传播（参见Andrew Ng的讲座）以改进网络中的卷积滤波器 . 基本上，反向传播要求"what did the network classify correctly/incorrectly? For misclassified stuff, let's fix the network a little bit."
3 回答
The basic idea
目前，对图像分类问题（例如ImageNet）的最先进的深度学习通常是"deep convolutional neural networks"（Deep ConvNets） . 他们看起来大致像Krizhevsky et al这样的ConvNet配置：
对于 inference (classification) ，您将图像输入左侧（注意左侧的深度为3，对于RGB），通过一系列卷积滤波器进行处理，并在右侧喷出1000维向量侧 . 这张照片特别适用于ImageNet，它专注于对1000类图像进行分类，因此1000d矢量是"score of how likely it is that this image fits in the category."
Training 神经网络只是稍微复杂一点 . 对于训练，您基本上会重复进行分类，并且经常进行反向传播（参见Andrew Ng的讲座）以改进网络中的卷积滤波器 . 基本上，反向传播要求"what did the network classify correctly/incorrectly? For misclassified stuff, let's fix the network a little bit."
Implementation
Caffe 是深度卷积神经网络的一种非常快速的开源实现（比Krizhevsky等人的_695512更快） . Caffe代码非常容易阅读;每种类型的网络层基本上有一个C文件（例如卷积层，最大池层等） .
您应该在用于生成的网络顶部使用softmax图层（http://en.wikipedia.org/wiki/Softmax_activation_function），并使用反向传播来微调最终网络 .
这些天人们开始在分类层中使用SVM .
深度学习正在非常自由和广泛地发展 .