Datawhale AI 夏令营：从baseline入门深度学习----Task 2

Part1 深度学习是什么？

深度学习（Deep Learning）是机器学习的一个分支，它使用神经网络模拟人脑的学习方式，从大量数据中自动学习和提取特征，进行预测和决策。

深度学习依赖于多层神经网络，每一层神经元接受前一层神经元的输出，并通过权重和激活函数进行计算，传递到下一层神经元。

 

 

神经元模型 

神经元模型是模拟生物神经元行为的计算模型，它在人工智能和机器学习领域扮演着核心角色。

神经元就像人体大脑中的微小开关，能够接收来自其他神经元的信号，并根据这些信号的产生反应。

在人工智能中，我们用数学模型来模拟这种生物神经元的行为。

一个简单的神经元模型包括输入、权重、激活函数和输出。

1. 输入就像神经元 树突 接收到的信号，

2. 权重则像是调整信号强度的小调节器，

3. 激活函数决定是否产生输出，

4. 而输出则是传递给其他神经元的信号。

深度学习则是由这些神经元模型层层堆叠起来的复杂结构。

深度将它们按照一定的层次连接起来，形成一个庞大的网络。这个网络的最底层接收输入数据，比如图片或文本，

然后通过每一层的处理，逐渐提取出更高级别的特征，

最后在顶层输出结果，比如识别图片中的物体或理解文本的含义。

从最基础的神经元模型出发，科学家们逐步构建了越来越复杂的神经网络模型，最初科学家们从模拟单个神经元的行为开始，创建了简单的神经元模型，这些模型能够接收输入信号并产生输出。这些基础模型为后续更复杂结构的构建奠定了基础

。随着对神经元理解的加深，科学家们开始将这些基本的神经元模型组合起来，形成了多层次的网络结构。这些网络，我们称之为神经网络，它们能够在各个层次上处理和传递信息，就像大脑中的神经回路一样。他们设计了一系列实验，使用不同类型的数据集来训练这些网络，比如图像、文本或声音数据。

为了进一步提高模型的准确性和泛化能力，科学家们引入了各种优化技术和算法，如

1. 激活函数Activation Fuction的改进、

2. 权重初始化Weight Initilization方法、

3. 正则化技术Normalization以及

4. 梯度下降的变种Gradient Gescent Optimization Algoritms 。

5. 他们还开发了新的网络结构Network Structure，如卷积神经网络（CNN）和循环神经网络（ RNN ），以适应不同类型的数据和任务。

从机器学习到深度学习

机器学习：通常使用相对简单的算法（如线性回归、决策树）处理数据。需要人工设计特征工程来提高模型性能。

深度学习：通过深层神经网络自动学习特征，能够处理和学习高维度和复杂的数据模式，适用于图像识别、自然语言处理等复杂任务。

机器学习算法通过数据进行训练，识别数据中的模式和规律，并在此基础上进行预测或决策。随着数据量的增加和算法的优化，机器学习模型能够不断改进其性能，使其在特定任务上表现得越来越好。

1. 线性回归：

• 线性假设：假设输入特征与输出标签之间存在线性关系。

• 独立同分布（IID）：训练集中的数据是独立且同分布的。

1. 决策树：

• 独立性假设：每个特征在决策过程中是相互独立的。

• 连续性假设：特征可以是连续的或离散的，算法通过找到最佳分割点来构建树。

1. 神经网络：

• 非线性假设：通过非线性激活函数来建模数据中的复杂非线性关系。

• 层次化假设：通过分层结构来学习数据的不同层次和抽象。

传统的机器学习算法往往需要人工设计特征，这一过程称为特征工程，既费时又需要专业知识。

深度学习能够自动从原始数据中学习到有用的特征，减少了对人工特征工程的需求。

深度学习模型可以实现端到端的学习，即直接从原始输入数据到最终输出结果（如分类标签或翻译文本）的学习，而无需中间步骤。

你可能想问：入门学习，机器学习和深度学习的顺序是？

对于初学者来说，通常建议先学习基础的机器学习知识，再逐步过渡到深度学习。

首先了解什么是机器学习，它的应用领域，以及它的主要类型（监督学习、无监督学习、半监督学习和强化学习）。

然后掌握一些经典的机器学习算法，如线性回归、逻辑回归、决策树、随机森林、SVM（支持向量机）、K-近邻（KNN）等。

接着从基础的神经网络结构开始，理解神经元、层、前向传播和反向传播等概念。

学习如何使用深度学习框架，如TensorFlow或PyTorch，它们提供了构建和训练深度学习模型所需的工具和API。

掌握卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）和Transformer等模型。

你可能想要问：学了深度学习可以解决所有的问题吗？

虽然 ChatGPT 是深度学习在自然语言处理领域的典型应用，并且深度学习在许多领域都取得了显著的成就，

但深度学习并不能解决所有问题。

深度学习通常需要大量的数据来训练模型，对于某些领域或问题，获取足够的高质量数据可能是不现实的。

Part2 深度学习如何训练的？

深度学习能够通过大量的数据和反复的训练来自动调整这些小开关（权重）的设置，使得整个网络能够越来越准确地完成特定的任务。

这个过程就像是在训练一个聪明的孩子，通过不断的练习和反馈，孩子学会了如何识别物体、理解语言，甚至解决复杂的问题。

梯度下降算法

https://blog.csdn.net/google19890102/article/details/69942970

梯度下降是一种优化算法，用于最小化函数。

梯度下降算法基于这样一个原理：损失函数的梯度指向函数增长最快的方向。

因此，如果我们希望减少损失函数的值，我们就需要沿着梯度的反方向调整模型的参数。

这样，每次迭代都会使模型参数朝着减少损失的方向移动。

在深度学习中，我们希望最小化损失函数，即模型预测值与真实值之间的差异。

梯度是损失函数关于模型参数的导数，它指示了参数的调整方向，以减少损失函数的值。

在训练循环中，我们首先加载一小批量数据，将其输入到神经网络中进行前向传播，计算出网络的输出。

然后，我们使用损失函数来计算当前批次的损失，并通过反向传播算法计算损失函数关于每个参数的梯度。

这些梯度告诉我们如何调整权重和偏置以减少损失。

当数据集非常大时，一次性处理所有数据可能会导致内存不足或计算过于缓慢。

通过将数据分成小批量，我们可以更频繁地更新模型参数，这使得训练过程更加高效。

 

Pytorch训练代码

让我们回顾一下在Task1 的PyTorch 代码，我们在训练一个分类模型。

首先，我们需要准备一批图片数据（通过train_loader）和这些图片对应的正确标签（target）。

在开始训练之前，将模型设置为训练模式（ model.train() ），这样模型就知道现在是学习时间了。

接着，开始喂给模型图片数据，并让它尝试预测这些图片的内容。

模型会基于它目前的学习给出预测结果（output），而会计算这些预测结果与实际标签之间的差异，这个差异就是损失（loss）。

为了让模型学会准确预测，需要指出它的错误，并更新它的内部参数来减少这些错误（通过loss.backward()和optimizer.step()）。

这个过程就像是模型在自我调整，以便在下一次遇到类似图片时能够做出更准确的预测。

你可能想问：看不懂代码怎么办？

深度学习的训练代码虽然在细节上可能有所不同，但它们的核心结构和步骤是高度类似的。无论使用的是图像、文本还是音频数据，训练开始之前都需要对数据进行加载、预处理和分割。这部分代码通常涉及到数据加载器，它会将数据集分成小批量，并确保数据在训练过程中被正确地处理。训练代码包括前向传播、计算损失、反向传播和参数更新。这个过程会重复进行多轮（epoch），直到模型性能达到预期目标。

Part3 深度学习与迁移学习

迁移学习是一种机器学习技术，它将已在一个任务上学到的知识（如模型参数、特征表示等）应用到另一个相关任务上。

这种技术特别有用，因为它允许模型在数据稀缺的情况下也能表现出色。

通常使用在大规模数据集上预训练的模型作为起点，例如在ImageNet数据集上预训练的卷积神经网络（CNN）。

在预训练模型的基础上，使用少量标记数据对模型进行微调，以适应新任务。

ImageNet 介绍

ImageNet 包含超过1400万张注释过的图像，这些图像分布在超过2.2万个类别中。它的规模之大使得它成为深度学习模型训练和评估的理想数据集。ImageNet 数据集中的图像包含了各种场景、物体、背景和遮挡情况，这为算法提供了极大的挑战。这种多样性使得在 ImageNet 上训练的模型能够学习到鲁棒的特征，从而在现实世界应用中表现良好。

https://www.image-net.org/

ImageNet 提供了一个标准的性能基准，研究者可以通过在 ImageNet 上的表现来比较不同模型的性能。此外许多在 ImageNet 上预训练的模型被用作迁移学习的起点，这些模型在新任务上通常表现出色。

迁移学习的实现方法

微调（Fine-tuning）是深度学习中一种有效的迁移学习策略，它允许我们利用预训练模型对特定任务进行优化。

其基本原理是，首先在一个大规模的数据集上预训练一个深度学习模型，捕捉通用的特征表示，

然后将这个预训练模型作为起点，在目标任务上进行进一步的训练以提升模型的性能。

微调的过程通常开始于选择一个在大型数据集上预训练的模型，这个预训练模型已经学到了丰富的特征表示，这些特征在广泛的领域内都是通用的。接着，我们将这个预训练模型适配到新的目标任务上。适配过程通常涉及以下步骤：

• 我们会替换模型的输出层，以匹配目标任务的类别数量和类型。例如，如果目标任务是图像分类，而预训练模型原本用于不同的分类任务，我们就需要将模型的最后一层替换成适合新任务类别数的新层。

• 【可做可不做】我们冻结预训练模型中的大部分层，这样可以防止在微调过程中这些层学到的通用特征被破坏。通常情况下，只对模型的最后一部分层进行解冻，这些层负责学习任务特定的特征。

• 使用目标任务的数据集对模型进行训练。在这个过程中，我们会用梯度下降等优化算法更新模型的权重，从而使模型能够更好地适应新的任务。训练时，可能会使用比预训练时更低的学习率，以避免过度拟合目标数据集。

在下面代码中，timm.create_model('resnet18', pretrained=True, num_classes=2)这行代码就是加载了一个预训练的ResNet-18模型，其中pretrained=True表示使用在ImageNet数据集上预训练的权重，num_classes=2表示模型的输出层被修改为有2个类别的输出，以适应二分类任务（例如区分真实和Deepfake图像）。通过model = model.cuda()将模型移动到GPU上进行加速。

Part4 常见的图像分类网络

图像分类是计算机视觉中的一个基本任务，它涉及到将给定的图像分配到一个或多个预定义的类别中。随着深度学习的发展，已经设计出许多不同的卷积神经网络（CNN）架构来提高图像分类的准确率。

AlexNet，https://en.wikipedia.org/wiki/AlexNet

AlexNet是一种具有深远影响的卷积神经网络（CNN）架构，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton设计。

它在2012年的ImageNet大规模视觉识别挑战赛（ILSVRC）中取得了突破性的成绩，大幅度超越了之前的图像分类技术（非深度学习技术）。

AlexNet包含八个层次结构，前五个是卷积层，其中一些后跟最大池化层，最后三个是全连接层。具体结构如下：

1. 卷积层：AlexNet的前五个层次都是卷积层，每个卷积层后面跟着一个ReLU激活函数，以引入非线性。这些卷积层旨在提取图像的特征。

2. 局部响应归一化（LRN）：在某些卷积层后使用了局部响应归一化，这是一种提高模型泛化能力的正则化方法。

3. 最大池化层：在部分卷积层之后使用最大池化层来降低特征的空间维度，减少计算量和过拟合的风险。

4. 全连接层：网络的最后三个层次是全连接层，其中最后两个全连接层后跟有Dropout，以进一步防止过拟合。

5. 输出层：最后一个全连接层后是线性层，然后是softmax激活函数，输出1000个类别上的概率分布。

ResNet，https://en.wikipedia.org/wiki/Residual_neural_network

ResNet（残差网络）是一种深度卷积神经网络架构，由微软研究院的研究员何恺明等人提出。ResNet在2015年的ImageNet图像识别大赛中取得了冠军，并在深度学习领域产生了重大影响。它的主要创新点是引入了残差学习的概念，允许训练非常深的网络，从而缓解了深度神经网络训练中的梯度消失和梯度爆炸问题。

ResNet的核心是残差块（residual block），网络通过堆叠这些残差块来构建。一个基本的残差块包含以下几部分：

1. 跳跃连接（Skip Connections）：这是ResNet最关键的创新，通过跳跃连接，输入可以直接绕过一个或多个层传到输出，输出是输入与这些层的输出的加和。这种结构使得网络可以学习输入到输出的残差，而不是直接学习输出，这有助于缓解梯度消失问题。

2. 卷积层：残差块内部包含多个卷积层，通常使用小尺寸的卷积核（如3x3），并且通常会有批量归一化（Batch Normalization）和ReLU激活函数。

3. 池化层：在某些残差块之间会插入最大池化层来降低特征图的空间维度。

ResNet有多个变种，包括ResNet-50、ResNet-101、ResNet-152等，数字代表了网络中权重层的数量。

这些变种在网络的深度和宽度上有所不同，但都基于相同的残差学习架构。

ResNet能够成功训练超过100层的网络，这在之前是不可能实现的。

在ImageNet竞赛中，ResNet取得了3.57%的错误率，远低于之前的表现最好的模型。

EfficientNet，https://paperswithcode.com/method/efficientnet

EfficientNet是一种高效的卷积神经网络（CNN）架构，它通过一种新颖的网络缩放方法来提升模型的性能和效率。EfficientNet 的核心是其 compound scaling 方法，该方法通过一个复合系数统一缩放网络的深度、宽度和分辨率。在过去，网络缩放通常是通过任意选择深度、宽度或分辨率的增加来实现的，而EfficientNet的方法则是通过一系列固定的缩放系数来同时增加这三个维度。例如，如果想要使用更多的计算资源，可以通过增加网络深度、宽度和图像大小的特定比例来实现，其中的比例系数是通过在小型模型上进行小规模的网格搜索确定的。

EfficientNet的复合缩放方法的直觉在于，如果输入图像更大，网络就需要更多的层来增加感受野，以及更多的通道来捕捉更细粒度的模式。EfficientNet的架构本质上并不复杂。基本的EfficientNet-B0网络作为后续缩放的基础。作者指出，他们使用NAS来构建基本网络，利用了多目标搜索来同时优化网络的准确性和计算效率。