第8章
深层神经网络中的特征表示学习
摘要 本章将讲述如何使用深层神经网络进行联合学习，以同时得到特征表示和分类器。通过多层的非线性处理，深层神经网络会将原始输入特征转换为更加具有不变性和鉴别性的特征。这种特征可以通过对数线性模型建立更好的分类器。此外，深层神经网络学到了分层级的特征。其中低层的特征通常能抓住局部的模式，并对原始特征的改变很敏感。然而高层的特征被建立在低层特征的基础上，它们就显得更加抽象，并且对原始特征的变化更加不敏感。我们证明了通过学习得到的高层特征对说话人和环境的变化具有鲁棒性。
