接着我的微博继续八卦吧
微博里问了几个人，关于deep learning和cnn的区别，有不少热心网友给了回答，非常感谢。结合我听课和看文章的理解，我大胆大概总结一下：
在上世纪90年代，neural network火了后就不再火了，听说，在投稿到nips时，如果你的关键词是neural network等，会大大降低你的文章的接受率，而如果是bayesian parameters or svm等，就会提高接受率，云云，但是在06年左右，neural network又开始出来闹腾了。
其实，之前neural network之所以偃旗息鼓了，主要是因为深层神经网络中，使用BP进行训练，是走不动了，层一深，训练无差就被前面层吃掉了，这样就没法再进行进一步训练了。因此，很多使用neural network的都是一两层的，唯一一个比较成功的案例是1998年lecun的lenet，用了七层，也就是cnn, convolutional neural network，这个是通过convolutional 和subsampling对network进行了降维，只有在最后三层是fully connected的，维度降低了，再用BP梯度进行训练，就好些了。当时是对图像手写体进行了识别，很成功的说，当时的图片大小是32X32。
06年时，hinton提出了RBM训练多层，同时，微软什么的又成功将多层neural network成功应用了，于是neural network又火了。这个，我最近还没仔细跟踪，不八卦了。
接着说cnn吧，cnn在12年的imagenet上火了，当时是hinton的学生，就是那个Alex,用cnn，成功用在了大图片大数据上，基于gpu, cuda进行编程，娃哈哈，效果很好，甩了第二名很远。我看文章中，就是用的lecun的cnn，一共8层，5层是做convolutional 和pooling的，后面三层是fully connected的，也是用梯度下降进行训练的，在训练时，用到了dropout，同时还用了局部normalization，其实这个我也不懂。
基于两块GPU，完成的效果还不错，而且人家可真是实打实的大图片大数据，好吧,12年的文章，至今已经被引用超过100次了。
另外，看了几篇文章，best practice for cnn applied to document 还有几篇介绍的博客什么的，目前对cnn的训练思路是没问题了，打算就着网上的代码，咀嚼一遍试试，只是，目前看Alex的imagenet代码，还是很不清晰，主要是基于cuda的编程，不明白，再者，人家的程序写的框架性是真好，框架性越好，其实对某一个针对性问题越不容易理解，是的，扩展性好，可我小虾米只想顺着结构走，还不会跟着对象走。