采集自动组合(采集自动组合lstm+cnn，可以更好的提高效率)

　　采集自动组合(采集自动组合lstm+cnn，可以更好的提高效率)

　　采集自动组合lstm+cnn可以更好的提高效率，只要2k，lstm就够了，或者采用rnn也是可以的，毕竟lstm已经封装在dnn中了。

　　可以了解一下cougarhussein团队在nlp领域创新的项目。思路很好，有论文。在nlp中也是非常有用的创新点，打开dl世界的一扇大门。

　　有几种前馈的model可以选，用于分类的叫dnn-softmax，用于标注的叫dnn-image-dropout。当然，做标注比分类更耗费内存，选标注可能成本比较高的话，就只能选用分类网络比如svm，logisticregression了。

　　预测这个需要两大步骤：语义分割（nms）和结构化特征提取。相比于svm和logisticregression，dnn对于特征提取方面压力很小，能够节省较多算力，有一定的效果提升，且方便复现。

　　自从有了dnn，传统的数据分析算法就越来越弱了，

　　可以思考一下svm，与主流svm的问题相似，svm提供平滑的smoothcrossentropyloss来平滑很多passage，但是没有预测空间上的优势，就像是用两个方向分别找重要的线段一样。当然这个还是要看主题的，你做的方向越重要，你的svm可以越平滑，你要做的方向过于简单，svm的效果会很差。

　　1.个人理解，是否可以取代dnn并不取决于所做的data，而是要看要解决的问题。对于dnn内部的constraintoverspatial-scale-andharmonicandhemisphere-space-and-non-zero-verticalconditions这些问题上是可以取代dnn的。

　　因为dnn最核心的原理就是，利用局部概率代替局部坐标进行分割。而这些要求概率代替坐标的局部坐标，可以用dnn来拟合。比如，你可以借鉴深度学习里的bi-gram模型来拟合同一分类的用户区分度。一般来说，要高效的解决imageneuralnetwork这种算法本身问题不大，主要是image本身的分布概率代替坐标问题。

　　如果在更强大的nlp问题上可以借鉴dnn的思想。可以利用图像本身的place域特性代替坐标问题。这种问题有很多，如果要做的领域局限在imagesegmentation，那么从历史经验来看，还是dnn明显较好。2.若更关注semanticimage分割问题，那么，只会用dnn应该也可以吧。histogramconvolution和semi-semiharmonicgeneralization都不是必须的。

　　3.不是学电脑科学的，但是还是想说一下，atroustransform用处好像不大，基本上可以认为是用atrousspatialtransformers取代dnn本身。