【李宏毅机器学习笔记】5、Logistic Regression
【李宏毅机器学习笔记】6、简短介绍Deep Learning
【李宏毅机器学习笔记】7、反向传播(Backpropagation)
【李宏毅机器学习笔记】8、Tips for Training DNN
【李宏毅机器学习笔记】9、Convolutional Neural Network(CNN)
【李宏毅机器学习笔记】10、Why deep?(待填坑)
【李宏毅机器学习笔记】11、 Semi-supervised
【李宏毅机器学习笔记】 12、Unsupervised Learning - Linear Methods
【李宏毅机器学习笔记】 13、Unsupervised Learning - Word Embedding(待填坑)
【李宏毅机器学习笔记】 14、Unsupervised Learning - Neighbor Embedding(待填坑)
【李宏毅机器学习笔记】 15、Unsupervised Learning - Auto-encoder(待填坑)
【李宏毅机器学习笔记】 16、Unsupervised Learning - Deep Generative Model(待填坑)
【李宏毅机器学习笔记】 17、迁移学习(Transfer Learning)
【李宏毅机器学习笔记】 18、支持向量机(Support Vector Machine,SVM)
【李宏毅机器学习笔记】 19、Structured Learning - Introduction(待填坑)
【李宏毅机器学习笔记】 20、Structured Learning - Linear Model(待填坑)
【李宏毅机器学习笔记】 21、Structured Learning - Structured SVM(待填坑)
【李宏毅机器学习笔记】 22、Structured Learning - Sequence Labeling(待填坑)
【李宏毅机器学习笔记】 23、循环神经网络(Recurrent Neural Network,RNN)
------------------------------------------------------------------------------------------------------
【李宏毅深度强化学习】视频地址:https://www.bilibili.com/video/av10590361?p=13
课件地址:http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html
-------------------------------------------------------------------------------------------------------
开局介绍了点深度学习的历史和现状,总之就是一句话,很火!
之前的课程说机器学习分为三个步骤,深度学习也一样。
Step1:定义一个神经网络模型
以上篇笔记的例子,很多个Logistic Regression串起来,就形成一个神经网络(Neural Network)。
神经元的不同的连接方式就会形成很多不同的网络。
网络的参数 代表所有神经元(Neuron)的weight和bias的集合。
那不同的神经元(或者说Logistic Regression)怎么接起来呢?有很多种,比较常见的是Fully Connect Feedforward Network。
Fully Connect Feedforward Network
如图,共有6个神经元。每个神经元都有一个weight和bias。weight和bias是通过training找出来的。
以图中为例子,输入1和-1,经过1*1+(-1)*(-2)+ 1=4,再经过 sigmoid function就得到0.98。
当weight和bias都知道的话,整个network就是一个普通function,输入[1,-1],输出[0.62,0.83] ;输入[0,0],输出[0.51,0.85]
weight和bias的数值有无穷个,每一组参数代表一个function,所以network就是一个function set(model)。
和刚才的例子类似,所有神经元排成一层一层的样子。
输入的地方就是Input Layer,输出的地方就是Output Layer。中间就统称Hidden Layers。
Deep就是指有很多层Hidden Layers。
注意:这些深层网络并不是单纯的叠出来的,像ResidualNet,中间是还有用快捷链路这样的特殊组件。
Matrix Operation
Neural Network的运算可以看成是矩阵运算。如上图所示。代表sigmoid函数。
可以看到,每一层都可以用 这样的方式来计算。
所以,整个网络做的就只是一连串嵌套的 wx+b 的矩阵运算。
把整个网络做成矩阵运算的好处就是:可以调用GPU并行计算来加速运算。
Output Layer
中间Hidden Layers可以看做是一个feature extractor。它做的事情,就类似于上篇笔记讲到的feature engineering做的事情(feature transformation等等),将原本没办法分类的feature转换成能被分类的feature。
所以Output Layer以这些转换后的feature作为输入,经过Softmax函数,就实现 Multi-class Classifier。
手写数字识别的例子
输入图片分辨率为16*16,总共256维。假设有字迹的格子数值为1,否则为0 。
输入256维,输出为10维。10维代表识别为每一个数字的几率。
这个例子中,知道输入为256维(图片分辨率16*16),输出为10维。
中间Hidden Layers多少层,每一层多少个神经元,这些都没有一个合理的根据去确定,就只能根据你的经验和直觉去设定。
(也有自动设定网络架构的方法,比如evolutionary neural networks,这个有兴趣自己找资料了解下)
Step 2:评价一个函数的好坏
估测出的……和target值 \hat、……、\hat,结合两者就能算出Cross Entropy。
Loss Function就是所有的 Cross Entropy 的和。训练的目的就是找出一组weight和bias,能使Loss Function的值最小化。
更新参数的方法用gradient descent。
step 3:找出最好的函数
就是对L求偏微分,然后乘上learning rate,作为更新量。不断重复这个过程。(gradient descent更具体的内容可以看第一篇笔记)