1.2 神经网络简介
Relu Function
神经元输入输出形成一个以下的图片,这个神经元叫做“修正线性单元”,ReLU(rectified linear unit)
四个输入单元,中间为隐藏层单元,y为预测值,中间隐藏层单元与输入单元都要全连接;
中间层代表的含义由神经网络自己决定。
神经网络实现的是输入x到预测y的精准映射函数
1.3 用神经网络进行监督学习
神经网络可以应用的场景
场景一:预测房价
场景二:在线广告,预测用户是否会点击广告
场景三:给图片打标签
场景四:语音 机器翻译,输入一段语音进行翻译成文字
场景五:转译,讲英语转译成汉语
场景六:计算机视觉,雷达信息,无人驾驶
标准的神经网络,场景一和场景二;
图像场景,通常使用的是CNN 卷积神经网络,如场景三;
语音场景,语音和时序有关,语音可以看成一维的时间序列。一系列的句子,字母单词都是序列出现的,对于序列数据使用的神经网络是RNN ;
对于复杂的信息,如雷达信息,使用的将是更复杂的混合型神经网络。
数据类型
1、结构化数据
表格型数据,方便计算机理解
2、非结构化数据
如 图片、语音、文本,人能很好地理解结构化数据,但是以往的计算机无法较好地理解。当神经网络的发展,提供了较好地机会进行实现。
提升神经网络学习能力的方法:
1、创建更大规模的神经网络
2、投入更多的训练数据
1.4 深度学习兴起的原因
数据量:数据存储的能力
计算能力:
算法改进:使深度神经网络运转的更快
将sigmoid函数转换成ReLU函数,会使梯度下降法运行得更快(原因:sigmoid函数左侧的斜率接近0,但不是,会使这一部分梯度下降的很慢;ReLU函数会使小于0的x的y都为0,斜率为0,所以梯度下降会很快)
学习资源网站:https://www.coursera.org/deeplearning-ai