Answers:
主要的好处是:
(1)对于非线性学习问题,不需要手工设计功能(节省时间并可以扩展到将来,因为手工设计被某些人视为短期创可贴)
(2)学会的功能有时比最好的手工设计的功能要好,并且可能过于复杂(计算机视觉-例如类似面部的功能),以至于花费太多的时间进行设计。
(3)可以使用未标记的数据对网络进行预训练。假设我们有1000000张未标记图像和1000张已标记图像。现在,我们可以通过深度学习对1000000张未标记的图像进行预训练,从而极大地改进监督学习算法。另外,在某些域中,我们有很多未标记的数据,但是很难找到标记的数据。可以使用未标记的数据来改善分类的算法非常有价值。
(4)根据经验,打破了许多基准,直到引入深度学习方法,这些基准才逐渐得到改善。
(5)相同的算法在具有原始输入(可能需要少量预处理)的多个区域中工作。
(6)随着更多数据被馈送到网络(假设平稳分布等),该值不断提高。
除了上述内容(我没有足够的代表仅将其添加为注释)之外,另一个重要点是它是一个生成模型(至少是Deep Belief Nets),因此您可以从学习的分布中采样-这可以在某些您想要生成与学习到的类/类相对应的综合数据的应用程序中,它具有一些主要优点。