g****t
发帖数: 31659 | 1 找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模型还挺大，鲁棒性存
疑。
实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图像分类不可能
成功。
也可以认为，卷积是和人的视觉密切相关的domain specific filter。 |
m******r
发帖数: 1033 | 2 所以结论是个啥？ 必须用卷积？ 用卷积能到多少？
因为我也用xgboost, 确实好用，就是调参数有点麻烦， 得有5,6个参数。 grid
search很慢 but worth it. |
g****t
发帖数: 31659 | 3 图像必须用卷积神经网。这是算法的问题。不是数据处理能力的问题。
并不是“传统机器学习软件处理不了大批量数据”导致的。
: 所以结论是个啥？ 必须用卷积？ 用卷积能到多少？
: 因为我也用xgboost, 确实好用，就是调参数有点麻烦， 得有5,6个参数
。 grid
: search很慢 but worth it.
【在 m******r 的大作中提到】
: 所以结论是个啥？ 必须用卷积？ 用卷积能到多少？
: 因为我也用xgboost, 确实好用，就是调参数有点麻烦， 得有5,6个参数。 grid
: search很慢 but worth it.
|
C*****l
发帖数: 1 | 4 理论上卷及网络是fully connected的子集，但是实际训练出来很难，这个应该有一个
深刻的原理还没有被人类发现。
【在 g****t 的大作中提到】
: 图像必须用卷积神经网。这是算法的问题。不是数据处理能力的问题。
: 并不是“传统机器学习软件处理不了大批量数据”导致的。
:
:
: 所以结论是个啥？ 必须用卷积？ 用卷积能到多少？
:
: 因为我也用xgboost, 确实好用，就是调参数有点麻烦， 得有5,6个参数
: 。 grid
:
: search很慢 but worth it.
:
|
h**********c
发帖数: 4120 | 5 你找了“一个”intern 然后你就得出必须的结论。
进而升华到创世纪的高度。
What are you doing？
===
"找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模型还挺大，鲁棒性存
疑。
实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图像分类不可能
成功。
也可以认为，卷积是和人的视觉密切相关的domain specific filter。
图像必须用卷积神经网。这是算法的问题。不是数据处理能力的问题。
并不是“传统机器学习软件处理不了大批量数据”导致的。" |
g****t
发帖数: 31659 | 6 现有的工具中，从实践上结论就是如此。你觉得不对，那么自己去学习。去跑程序。
我给的结论未必正确。但是没有一条是像你这样嘴炮打出来的。
: 你找了“一个”intern 然后你就得出必须的结论。
: 进而升华到创世纪的高度。
: What are you doing？
: ===
: "找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模
型还挺大，
鲁棒性存
: 疑。
: 实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图
像分类
不可能
: 成功。
: 也可以认为，卷积是和人的视觉密切相关的domain specific filter。
: 图像必须用卷积神经网。这是算法的问题。不是数据处理能力的问题。
【在 h**********c 的大作中提到】
: 你找了“一个”intern 然后你就得出必须的结论。
: 进而升华到创世纪的高度。
: What are you doing？
: ===
: "找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模型还挺大，鲁棒性存
: 疑。
: 实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图像分类不可能
: 成功。
: 也可以认为，卷积是和人的视觉密切相关的domain specific filter。
: 图像必须用卷积神经网。这是算法的问题。不是数据处理能力的问题。
|
g*******u
发帖数: 3948 | 7 卷机已经被大家都认可了最适合图像问题的了
和人类的区别和近似是另外一个问题
【在 g****t 的大作中提到】
: 找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模型还挺大，鲁棒性存
: 疑。
: 实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图像分类不可能
: 成功。
: 也可以认为，卷积是和人的视觉密切相关的domain specific filter。
|
h**********c
发帖数: 4120 | 8 我肯能感觉良好，说到嘴炮能举个例子吗？
另外生物识别涉及光源的相变。如之奈何？
: 卷机已经被大家都认可了最适合图像问题的了
: 和人类的区别和近似是另外一个问题
【在 g*******u 的大作中提到】
: 卷机已经被大家都认可了最适合图像问题的了
: 和人类的区别和近似是另外一个问题
|
g****t
发帖数: 31659 | 9 这个贴里的东西。你有一个字能听懂吗？这还不是嘴炮。你自己讲的东西有几个字是跑
过程序的。你觉得你懂生物识别啥的。那发帖讲经验呗。不然不还是嘴炮。堆buzz
word有啥用。
: 我肯能感觉良好，说到嘴炮能举个例子吗？
: 另外生物识别涉及光源的相变。如之奈何？
【在 h**********c 的大作中提到】
: 我肯能感觉良好，说到嘴炮能举个例子吗？
: 另外生物识别涉及光源的相变。如之奈何？
:
:
: 卷机已经被大家都认可了最适合图像问题的了
:
: 和人类的区别和近似是另外一个问题
:
|
h**********c
发帖数: 4120 | 10 I don't have more questions.
【在 g****t 的大作中提到】
: 这个贴里的东西。你有一个字能听懂吗？这还不是嘴炮。你自己讲的东西有几个字是跑
: 过程序的。你觉得你懂生物识别啥的。那发帖讲经验呗。不然不还是嘴炮。堆buzz
: word有啥用。
:
:
: 我肯能感觉良好，说到嘴炮能举个例子吗？
:
: 另外生物识别涉及光源的相变。如之奈何？
:
|
|
|
o****u
发帖数: 714 | 11 如果全部是fully connected深度学习就失效了，深度学习的精髓就在于部分链接和非
线性的激活部分。
【在 C*****l 的大作中提到】
: 理论上卷及网络是fully connected的子集，但是实际训练出来很难，这个应该有一个
: 深刻的原理还没有被人类发现。
|
d*******l
发帖数: 48 | 12 做了什么feature engineering？
【在 g****t 的大作中提到】
: 找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模型还挺大，鲁棒性存
: 疑。
: 实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图像分类不可能
: 成功。
: 也可以认为，卷积是和人的视觉密切相关的domain specific filter。
|
M********0
发帖数: 1230 | 13 嗯 xgb作者都曾在自己知乎文章上面承认tree boosting被cnn击败 几年前了 |
g****t
发帖数: 31659 | 14 没有feature engineering。我是写算法的，不是用算法做项目的。
比较算法只能看out of box表现。各种ad hoc的办法加上去比较工作量太大了。负担不
了工作量。
: 做了什么feature engineering？
【在 d*******l 的大作中提到】
: 做了什么feature engineering？
|
n******g
发帖数: 2201 | 15 english name for "juan ji" is CNN?
【在 g****t 的大作中提到】
: 找了个intern跑xgboost. 一星期下来，cifar 10最好也就52%。模型还挺大，鲁棒性存
: 疑。
: 实证下来。似乎可以认为，没有卷积这一步骤，或者别的前置滤波器。图像分类不可能
: 成功。
: 也可以认为，卷积是和人的视觉密切相关的domain specific filter。
|
