是的，您可以使用深度学习技术来处理非图像数据。然而，在信号处理和相关任务之外，其他模型类别仍然与神经网络非常有竞争力。

要对非信号/非序列数据使用深度学习方法，通常使用简单的前馈多层网络。不需要卷积层或池化层。除此之外的最佳架构需要通过交叉验证进行探索，并且由于深度神经网络需要大量计算来训练，因此发现可能很耗时。

根据我在 Kaggle 比赛中尝试使用深度（-ish，通常是 5 层）神经网络的经验：

• Dropout 对于正则化和提高准确性仍然非常有效

• 输入标准化 - 通常意味着 0，标准差 1，很重要

• 隐藏层激活函数可以有所作为。尽管 ReLU 减少了梯度消失的一些问题，但根据我的经验，它对非信号数据的鲁棒性较差，您将需要其他形式。如果您只有几层，那么 sigmoid 或 tanh 仍然可以正常工作。否则，请查看泄漏的 ReLU、PReLU、ELU 和其他 ReLU 变体，它们试图用“死”神经元修补其问题。

• 使用专为深度学习设计的优化器，例如 Adam、Adagrad 或 RMSProp

• 使用适用于深度学习的权重初始化方法，例如 Glorot。

• 考虑使用批量标准化层。我没有太多经验，但我看到其他人用这种方法做得很好。

尽管如此，相比之下，XGBoost 可以通过最少的调整和训练工作轻松地击败深度神经网络（当然取决于问题和您拥有的数据）。如果准确性对您来说就是一切，那么有可能——尽管不能保证——深度神经网络和其他模型（如 XGBoost）的集合将比单独使用任何一个模型表现得更好。

网络可以适用于分类目的。为此，您需要能够定义数据的训练集和测试集，以表示网络将被要求在生产中进行分类的数据。这决定了您是否可以获得糟糕、合理或良好的工作网络。

我认为“深度学习”的术语具有误导性：网络不会学习，你只能训练它。

假设你可以创建一个训练和测试集，在高层次上你可以使用

• 多层：如果您的数据没有顺序并且结构具有固定位置。

• 递归网络：如果数据的顺序对分类很重要

• 卷积：如果您的数据具有图像中的结构但没有固定位置。

获得良好的设置，例如层数，需要反复试验；这是一种黑魔法。