目录
基础优化算法 -梯度下降(gradient descent)
09 Softmax 回归 + 损失函数 + 图片分类数据集
01 开始
·课程主页:课程安排 - 动手学深度学习课程
·教材:《动手学深度学习》 — 动手学深度学习 2.0.0 documentation
·课程论坛讨论:中文版 - D2L Discussion
·Pytorch论坛:PyTorch Forums
04 数据操作 + 数据预处理
张量(tensor):n维数组
标量是0维张量,向量是1维张量,矩阵是2维张量
用torch.tensor自定义一个张量
运算符
连结(concatenate)
第0维是行,第1维是列
2.1.3. 广播机制
广播机制(broadcasting mechanism)
【行不够或列不够,分别按行复制或按列复制】
1.通过适当复制元素来扩展一个或两个数组,以便在转换之后,两个张量具有相同的形状;
2.对生成的数组执行按元素操作。
2.1.4. 索引和切片
X[-1]最后一行。 X[1:3]第1行到第2行(从第0行开始算)[1,3)
也可写成:
X[-1,:]最后一行。 X[1:3,:]第1行到第3行(从第0行开始算)
示例:
运行一些操作可能会导致为新结果分配内存。(析构)
Id(Y)类似C++的指针
使用 Y=Y+X
使用 Y+=X
也可以使用X[:]
= X
+
Y或X
+=
Y
执行原地操作
08 线性回归 + 基础优化算法
线性模型
损失函数 loss
训练
参数学习
基础优化算法 -梯度下降(gradient descent)
梯度下降
梯度下降(gradient descent)
负梯度方向是下降最快的方向。
η学习率(learning rate)
η表示学习率(learning rate) 。不能太小不能太大
小批量随机梯度下降
b批量大小(batch_size)
批量大小b不能太小不能太大
总结
·梯度下降通过不断沿着反梯度方向更新参数求解
·小批量随机梯度下降是深度学习默认的求解算法
·两个重要的超参数是批量大小b和学习率η
batch_indices
09 Softmax 回归 + 损失函数 + 图片分类数据集
回归与分类
均方损失
无校验比例
校验比例 / softmax(o)
交叉熵损失cross_entropy
交叉熵常用来衡量两个概率的区别
总结
·Softmax 回归是一个多类分类模型
·使用 Softmax 操作子得到每个类的预测置信度
·使用交叉熵来来衡量预测和标号的区别
损失函数
均方损失L2 Loss
蓝色:y=0时,变y_hat得到的l(y,y’)
绿色:似然函数(高斯分布)
橙色:梯度(导数?)
L1 Loss
蓝色:y=0时,变y_hat得到的l(y,y’)
绿色:似然函数
橙色:梯度
Huber’s Robust Loss
蓝色:y=0时,变y_hat得到的l(y,y’)
绿色:似然函数
橙色:梯度
图像分类数据集
训练数据集(train dataset)
6000*10
torch.Size([1, 28, 28])
灰度图,通道数为1. 高度h像素、宽度w像素记为h×w
测试数据集(test dataset)
1000*10
测试数据集不会用于训练,只用于评估模型性能。
10 多层感知机 + 代码实现
隐藏层 和 多层感知机(multilayer perceptron)(MLP)
多层感知机(multilayer perceptron)在输出层和输入层之间增加一个或多个全连接隐藏层,并通过激活函数转换隐藏层的输出。
(示例为2层网络)
(全连接层)
激活函数
常用的激活函数包括ReLU函数、sigmoid函数和tanh函数。非线性变换。
ReLU函数
修正线性单元(Rectified linear unit,ReLU)仅保留正元素并丢弃所有负元素
定义:
函数的曲线图:
sigmoid函数
sigmoid通常称为挤压函数(squashing function)
sigmoid函数将范围(-inf, inf)中的输入变换为区间(0, 1)上的输出
定义:
tanh函数
tanh(双曲正切)函数能将其输入压缩转换到区间(-1, 1)上
公式:
11 模型选择 + 过拟合和欠拟合
模型选择
训练误差 和 泛化误差
训练误差(training error):模型在训练数据上的误差
泛化误差(generalization error):模型在新数据上的误差
验证数据集和测试数据集
训练数据集 train
验证数据集(validation dataset), 也叫验证集(validation set)
测试数据集 test
K折交叉验证
欠拟合和过拟合
模型容量
VC维
数据的复杂度
多个重要因素:
·样本个数
·每个样本的元素个数
·时间、空间结构
·多样性
总结
·模型容量需要匹配数据复杂度,否则可能导致欠拟合和过拟合
·统计机器学习提供数学工具来衡量模型复杂度
·实际中一般靠观察训练误差和验证误差