卷积神经网络（CNN）适合处理不具有空间结构的数据吗？

我们知道CNN最经典的应用场景是图片领域，请问各位大牛，对于一般的人工抽取的特征，特征之间没有什么关系（特征之间是可以交换的），适合使用CNN吗？这似乎看起来违背了CNN中，相邻像素点之间有一定的关系这样假设。请大牛正解？欢迎交流～

论智 · 2018-10-3 21:41:44

“适合”是一个主观性比较强的词语。我只能说，最早在图像识别领域大放异彩的CNN，现在的使用范围早已不限于图像了。
“空间结构”也是一个比较含糊的词。图像显然属于具有空间结构的数据。但是其他数据就没有空间结构吗？很多时候这取决于你如何建模问题，如何处理数据。
就CNN来说，处理具有空间结构数据的优势在于位置无关性（在图像的例子上就是平移不变性）和局部可组合性（在图像的例子上是相邻像素可能属于部件）。但是其他数据就没有这些特性？就拿文本来说吧，相邻单词往往属于同一句话，在语义上可能属于同一成分，有的时候，稍微改变排列顺序，对语义的影响不是特别大。再说，现在的NLP技术离人类级别的语义理解还差得远，所以不一定需要特别适合的模型。词袋模型把语序全扔了，不是效果也不错吗？CNN表现就会很差吗？未必。
而CNN有一个好处，就是因为它在计算机视觉领域的成功，所以对于CNN的架构、调参、加速训练等等各方面，都相对成熟很多。就像手机，本来不是用来拍照的，但是手机出货量大啊，便于携带呀，所以仍然成为了使用最多的拍照工具。甚至，像结构光重建3D空间关系这样的技术，还是手机最早大范围普及。那么你说手机适合用来拍照吗？

图片来源：arXiv:1510.03820实际上，近些年来，CNN在文本分类方面的论文已经很多了。CNN处理时序数据也不算新鲜事。因此，CNN是不是只适合处理具有空间结构的数据，什么样的数据才算具有空间结构，还真是不好说。

TchaikovskyBear · 2018-10-3 21:41:45

你可以用全链接神经网络来做，不需要用卷积，就如你说的，卷积滤波的作用是寻找像素之间的空间关系，既然没有空间关系，用卷积来做的意义是啥呢？
因此，如果你是想用深度学习来做特征抽取，当然可以，只是没必要用卷积模块来搭建你的模型，你可以上大量由全链接层组成的模型，同时删去下采样这类的操作，但是庞大的参数量让这种模型没有实用价值。

ycc · 2018-10-3 21:41:46

不适合。
卷积就是利用了图像的像素之间的位置相关性这一事实。
不存在这种相关性的，不符合CNN的前提。

cky呀 · 2018-10-3 21:41:47

你的问题是在问，指甲刀能拿来切菜吗

卷积神经网络（CNN）适合处理不具有空间结构的数据吗？

4 个回复