[Datawhale X 李宏毅苹果书AI夏令营] 深度学习入门 Task1

drawbacks

已于 2024-09-01 14:42:14 修改

阅读量449

点赞数 24

文章标签：人工智能深度学习

于 2024-08-23 21:54:45 首次发布

本文链接：https://blog.csdn.net/drawbacks/article/details/141474548

版权

学习链接如下：

深度学习入门：Datawhale (linklearner.com)

这块建议结合b站吴恩达的机器学习视频学习，讲的很清楚
(超爽中英!) 2024公认最好的【吴恩达机器学习】教程！附课件代码 Machine Learning Specialization_哔哩哔哩_bilibili

机器学习和深度学习概念与区别：

一文看懂深度学习（白话解释+8个优缺点+4个典型算法）_深度学习和传统机器学习相比具有哪些优势1500-CSDN博客

机器学习，即机器具有学习的能力。具体来讲，就是让机器寻找到一个函数，使得给他一个输入，能产生合理的输出。比如语音转文字功能，输入就是一段音频，输出是对应的文字。如果人类自己编写从语音到文字的函数比较困难，如果能通过机器的强大计算能力，使其自己找到这个函数，就能实现很多事情。包括图像识别、图像分割、Alfago下棋等。

深度学习是机器学习的一个分支，只不过深度学习是在传统神经网络上的升级。特点是需要大量算力。可以见下面链接

https://blog.csdn.net/weixin_43612023/article/details/97235212

机器学习案例：

一个人想通过视频平台赚钱，需要关注该平台的视频有没有流量，这样能知道自己获利空间多大。假设他在后台可以看到每天的点赞人数、订阅人数、观看次数，根据一个频道过往的信息可以预测明天的观看次数。对这个案例，输入就是后台的数据，输出是第二天这个频道的观看次数。

机器学习三步走：

这个案例可以拆解成三步。

写出带有未知参数的函数f，如
$f=b+w*x_1$
y是预测结果，x1是后台信息（是n*1的向量，比如[昨天观看量;昨天订阅人数;昨天点赞人数]），简单起见，假设x1就是昨天的观看量。w与b都是未知的参数，w称为权重(weight)，b称为(bias)，x1称为特征(feature)，输入x1对应的真实值称为标签(label)。
定义损失(Loss)，损失也是个函数，他的输入是模型里面的参数w和b，输出是参数对应的损失。比如昨天播放量是500，w=1，b=0时，预测的今天播放量应该是 $y=b+w*x_1=0+1*500=500$
假设今天实际播放量是600，那么二者差距就是600-500=100。单个样本的Loss可以用多种方法来定义，比如平均绝对误差(Mean Absolute Error, MAE)： $e=|\hat y-y|$ ，以及均方误差(Mean Square Error, MSE)： $e=(\hat y-y)^2$ ，或者交叉熵(cross entropy)等。对于给定的N个样本，其损失函数L(w,b)可以定义为N个样本各自的损失求和后取平均：
$L=1/N\sum _ne_n$
对于不同的w与b，可以得到不同的L值，将损失函数画图，就可以看出损失函数较小的点在哪里，画出来的等高线称为误差表面(error surface)。损失函数越小，说明模型的预测越准确。
最优化损失函数，就是找到w与b，使得L最小。梯度下降(gradient descent)是经常用的优化方法。具体来说，就是先计算出L在给定的 $w_0,b_0$ 处的梯度，然后对w,b做更新：
$w_1=w_0-\eta\frac{\partial L}{\partial w}|_{w=w_0}$ ， $b_1=b_0-\eta {\frac{\partial L}{\partial w}}|_{w=w_0}$
其中 $\eta$ 是学习率(learning rate)。这种不是机器学习能得到的，需要人为确定的参数叫做超参数(hyperparameter)。这样反复更新w和b，可以逐步将L减小，这里涉及到微积分的知识，不懂的可以看b站吴恩达的视频。
什么时候停止参数更新是一个问题，可以自定义最大迭代步数，超过这个步数就停止更新；也可以定义当梯度接近零，比如其绝对值小于一个很小的值1e-4时，停止更新。此时L可能处在鞍点、局部最小值(local minima)或者全局最小值(global minima)。在合适的参数设置下，梯度下降可以快速收敛，但不一定能跳出局部最小值到达全局最小值：

多参数时，与单参数的更新类似，只不过要实现对所有参数的同时更新。梯度学习的优化过程可能如下所示：