七月算法深度学习 第三期 学习笔记-第二节 DNN与混合网络

背景介绍

1.深度学习应用

图像应用----识别 （举例：淘宝拍立淘、路况识别、图像labeling、图像分割转换）

NLP应用----文笔模仿

NLP+图像上的应用----机器翻译、机器同声传译、语音识别

综合应用

综合应用原理

2.神经网络非线性能力及原理

1).感知器与逻辑门

线性分类器：得分函数

损失函数（或称代价函数、客观度）： 给定W，可以由像素映射到类目得分 ；可以调整参数/权重W，使得映射的结果和实际类别吻合；损失函数是用来衡量吻合度的。

损失函数1：支持向量机损失（SVM）

Ø 对于训练集中的第i张图片数据xi 
Ø 在W下会有一个得分结果向量f(xi,W) 
Ø 第j类的得分为我们记作f(xi,W)j 
Ø 则在该样本上的损失我们由下列公式计算得到

损失函数2:交৿熵损失(softmax分类器)
Ø 对于训练集中的第i张图片数据xi 
Ø 在W下会有一个得分结果向量fyi

使用log原因：概率值连乘容易超过计算机最小范围精度，相对来说加法可控

为什么不用MSE：因为是非凸函数

支持向量机损失（SVM）与交叉熵损失比较：SVM是求超过安全距离带来的loss交叉熵损失是求两个概率向量差异度有多高（从最大似然角度去考虑）

通常学习框架（可以理解为blackbox映射）：语音识别、手写识别、下围棋AI、聊天机器人系统

神经网络定义：输入层、输出层、隐层（特征交叉、组合、提取）

从逻辑回归到神经元“感知器”

添加少量隐层 => 浅层神经网络

增多中间层 => 深度神经网络(DNN)

2).强大的空间非线性切分能力 

Google机器学习平台Tensortflow游乐场---Neural Network Playground （http://playground.tensorflow.org）

神经网络非线性切分：神经元完成【逻辑与】、【逻辑或】

3).网络表达力与过拟合问题 

o 理论上说单隐层神经网络可以逼近任何连续函数（只要隐层的神经元个数足够多）。
o 虽然从数学上看表达能力一致，但是多隐藏层的神经网络比 单隐藏层的神经网络工程效果好很多。
o 对于一些分类数据（比如CTR预估里），3层神经网络效果优于2层神经网络，但是如果把层数再不断增加(4,5,6层)，对最后结果的帮助就没有那么大的跳变了。
o 图像数据比较特殊，是一种深层(多层次)的结构化数据，深层次的卷积神经网络，能够更充分和准确地把这些层级信息表达出来。

o 提升隐层层数或者隐层神经元个数，神经网络“容量”会变大，空间表达力会变强。

o 过多的隐层和神经元节点，会带来过拟合问题。
o 不要试图通过降低神经网络参数量来减缓过拟合，用正则化或者dropout。

传递函数：Sigmoid函数与双sigmoid函数比较

4).BP算法与SGD 
 BP算法

SGD：

前向传播 反向运算 参数更新

3.代码与实例
1).Tensorflow多层感知器非线性切分 

2).神经网络分类(非线性)示例 

ipython notebook

3).Google Wide&&Deep Model