收获:
1、深度神经网络DNN是指含有多个隐藏层的神经网络,广义上包含CNN、RNN、DBN等神经网络。
例如:含有2个隐藏层的CNN就是一种DNN。
2、DNN训练过程:无监督预训练+有监督微调。
3、Spark+Tensorflow配合使用:可直接令DNN在Spark集群上进行深度学习。
摘抄:
深度学习的实质 及其 与浅层学习的区别 深度学习实质:多隐层+海量数据——>学习有用特征—–>提高分类或预测准确性 区别:(1)DL强调模型深度 (2)DL突出特征学习的重要性:特征变换+非人工
神经网络的发展(背景之类的) MP模型+sgn—->单层感知机(只能线性)+sgn— Minsky 低谷 —>多层感知机+BP+sigmoid—- (低谷) —>深度学习+pre-training+ReLU/sigmoid
介绍DNN(原理和应用) DNN:深度神经网络,广义上包含CNN,DBN,RNN等 优点:层数多,抽象能力强,模拟更复杂模型 应用:图像处理、语音识别、文本分类。。。
什么是深度学习、深度学习的训练过程是什么 无监督预训练(Layerwise Pre-Training)+有监督微调(fine-tune) 过程:(1)自下而上非监督学习特征 (2)自顶向下有监督微调
深度网络,顾名思义,就是有“很多”层的网络。
那么到底多少层算深度呢?这个问题可能没有一个明确的答案。某种意义上,这个问题类似“有多少粒沙子才能算沙丘”。但是,一般而言,我们把有两层或两层以上隐藏层的网络叫做深度网络。相反,只有一个隐藏层的网络通常被认为是“浅度网络”。
Spark和tensorflow深度学习框架的结合,使得tensorflow在现有的spark集群上就可以进行深度学习,而不需要为深度学习设置单独的集群