2．1．2浅层学习和深度学习 机器学习的历史阶段的划分可谓仁者见仁智者见智，从不同的角度可以划分为不同 的阶段。按机器学习模型的层次结构来划分，20世纪80年代至今，机器学习的发展可 以说经历了两个阶段：浅层学习(shallow le锄ing)和深度学习(deep leaming)【27】。 大多数传统的机器学习和信号处理技术，都是利用浅层结构的架构‘301。例如高斯混 合模型(GMMs)、线性或非线性动力系统、条件随机场(CRFs)、最大熵(MaXEnt) 模型、支持向量机(SVMs)、Logistic回归、核回归、多层感知机(MLPs)等等都是 浅层结构。这些结构通常包含一层或两层的非线性特征变换，可以看成是具有一层隐含 层或者没有隐含层的结构。浅层结构在解决一些简单的或者受限的问题中显示出了有效 性，但由于其有限的建模和表征能力，在处理更为复杂的实际的应用时，如人的语音、 自然的声音和语言、自然图像和视觉场景这些自然信号时非常困难。 深度网络，是含有多个隐含层结构的网络。通过引入深度网络，我们可以通过学习 一种深层的非线性网络，来实现复杂函数的逼近，从而计算更为复杂的输入特征【311。由 于每一个隐含层可以对上一层的输出进行非线性变换，因此深度网络拥有比浅层网络更 为优异的表达能力，例如可以通过学习得到更为复杂的函数关系，并且表现出了从少数 样本中学习数据的本质特征的能力。 深度网络最主要的优点在于，它能用更加简单的方式来表示比传统浅层网络大得多 的函数集合，而多层的优势是可以利用较少的参数来表示复杂的函数关系。如图所示， 要表达结构复杂的函数蛔(伽《唧(s加3(x))))，用传统的单层结构很难简洁地表示，而 用多隐含层的深层结构，可以用较少的参数表示较为复杂的函数，用多层的简单结构 s伽(工)，x3，e。，cDs(x)，抛(x)来表示上述复杂函数容易很多。 12 zkq 20150924 万方数据

CFCS法在鄂尔多斯白垩系地下水盆地浅层地下水年龄研究中的应用，柳富田，苏小四，鄂尔多斯白垩系地下水盆地是中国重要的能源基地，水资源有着巨大价值。合理开发利用及保护当地有限的水资源具有重要意义，地下水

为了研究瞬变电磁法对超浅层采空区的探测效果,以陕北某小煤窑采空区为研究对象,从数值模拟与现场实测2方面对其瞬变电磁响应展开研究。首先针对目标体地质条件建立K型地电模型,从电阻率差异角度论证理论可行性;其次根据理论结果设置采集参数,以电性标志层电阻率差异为依据对采空区分布范围进行推断;最后采用地面钻探对异常区进行验证。结果表明:瞬变电磁法盲区有限,采用240 m×240 m发射回线时最小探测深度小于20 m,能准确反映超浅层采空区的分布。

结合实例,并以充分的图表数据,详解了"关系点图解法"的水化学分类法及图中显现出的水化学特征,并与大家熟知且一直沿用的"舒卡列夫"及"皮帕尔"分类方法进行比较,结果表明:"关系点图解法"同前二者反映出的水化学特征总体一致、结果可靠。在3个"关系图"中,不仅能直观地显现出阴(或阳)离子含量的分布区间,同时也能直接读取水化学类型。

浅层和深层卷积网络用于显着性预测 该论文在 （*） （*） （*）平等贡献 之间的联合合作： 抽象的 传统上，基于神经科学原理通过手工制作的功能解决了图像显着区域的预测问题。 但是，本文通过训练卷积神经网络（convnet），以完全数据驱动的方法解决了该问题。 学习过程被表述为损失函数的最小化，该损失函数使用提供的地面真实性来测量预测显着性图的欧几里得距离。 最近发布的显着性预测大型数据集提供了足够的数据来训练快速而准确的端到端体系结构。 提出了两种设计：从头开始训练的浅层卷积网络，以及另一种更深层次的解决方案，其前三层改编自另一种经过训练的分类网络。 据作者所知，这是为显着性预测目的而经过培训和测试的首批端到端CNN 出版物 感谢计算机科学基金会的支持， 得以公开发表。 也可以使用。 请引用以下Bibtex代码： @InProceedings{Pan_2016_CVPR, au

包括planar_utils.py、testCases.py以及作业L1-3.ipynb

该代码提供了一个基本示例，说明如何使用遗传算法、粒子群和模拟退火对单层（浅层）神经网络进行超参数优化。

Shallow Triple Stream Three-dimensional CNN

浅层神经网络的缺陷 于是，20世纪90年代，有更多各式各样的浅层模型相继被提出，比如只有一层隐层节点的支撑向量机（SVM，Support Vector Machine）和Boosting，以及没有隐层节点的最大熵方法（例如LR，Logistic Regression）等，在很多应用领域取代了传统的神经网络。 显然，这些浅层结构算法有很多局限性：在有限样本和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定的制约。更重要的是，浅层模型有一个特点，就是需要依靠人工来抽取样本的特征。然而，手工地选取特征是一件非常费力的事情，能不能选取好很大程度上靠经验和运气。 能不能自动地学习一些特征呢？

待定 使用Terzaghi承载力理论的初步计算 有用的链接： Braja Das撰写的《基础工程原理》（第七版）中的所有其他值（特别是表3.1，第139页） 使用的主要方程式： 去做 通过具体计算验证计算结果。 与团队核对单位。 使用更好的解释更新自述文件。 添加输入代码 添加提示以保存或不保存到txt文件。