深度学习与TensorFlow简介
深度学习简介
深度学习的由来
- 人工智能(Artificial Intelligence)
- 包括专家系统、机器学习等
- 机器学习(Machine Learning)
- 有监督学习(Supervised Learning)
- 逻辑回归、SVM、神经网络 ……
- 深度学习(图像识别、文字理解等)
- 无监督学习(Unsupervised Learning)
- 聚类K-means、降维PCA ……
- 有监督学习(Supervised Learning)
- 机器学习算法的本质
- 计算样本输入与目标输出之间的关联性
- 如:邮件正文中有图片 or 链接 –> 是否为垃圾邮件
- 问题和局限性
- 依赖于特征提取和特征表示,强烈依赖人类的先验知识
- 特征工程费时费力,迁移能力弱
神经网络
- 通过简单非线性函数的组合,可以拟合任意复杂的函数
- 边的权重决定节点的组合方式,不同的组合方式得到不同的模型逻辑
- 模型训练:BackPropagation算法
- 通过输入训练数据不断矫正函数逻辑,使得模型的输出符合数据分布
- 代价函数:衡量函数输出与预期之间的差距