深度学习的基本专业术语

最新推荐文章于 2024-09-16 11:17:15 发布

CExploer

最新推荐文章于 2024-09-16 11:17:15 发布

阅读量3.1k

点赞数 7

分类专栏：深度学习

本文链接：https://blog.csdn.net/exploer_try/article/details/104562468

版权

深度学习专栏收录该内容

15 篇文章 0 订阅

订阅专栏

深度学习的专业术语

作者：陈若愚
QQ：2389388826
日期：2020年2月26日

Abstract

最近在整理学术论文的过程中发现自己的专业术语不完全正确，因此做如下的整理。主要是围绕着深度学习技术，通过做过的东西延申其基本公式及英文表达。文本采用Markdown方式编辑[1]。

一、人工神经网络

1.人工神经网络：Artificially neural network

通常指仅由全连接层构成的神经网络

2.全连接层：Fully connected layer

3.隐层：Hiden layer

4.神经元：neuron / 节点：node

指每一层全连接层所含的参数个数

5.多层感知机：Multilayer Perceptron (MLP)

二、2D卷积神经网络

1. 前向传播： Forward Propagation

2. 卷积神经网络： Convolutional neural network

3. 卷积： Convolution

卷积步长：stride

填充：padding

填充是针对卷积后卷积层的receptive filed是否发生变化

4. 卷积运算： Convolution operation

5. 卷积核： Convolutional filter

6. 卷积层： Convolutional layer

7. 描述2D卷积卷积核大小：Kernel size / Receptive field

通常描述是卷积核的width和height的大小，比如3*3的卷积核，而与channel方向的卷积核长度无关，长度只与前一层卷积核个数有关。

8. 激活函数：Activation function

(1)Sigmoid:

$Sigmoid(x)=\frac{1}{1+e^{-x}}$

(2)Tanh:

$Tanh(x)=\frac{e^{2x}-1}{e^{2x}+1}$

(3)Relu:

$Relu(x)=\left\{\begin{matrix} x,x\geq 0\\0,x< 0 \end{matrix}\right.$

(4)Elu:

$Elu(x)=\left\{\begin{matrix}x\qquad \quad\,\,,x\geq 0 \\ a(e^{x}-1),x<0 \end{matrix}\right. \qquad a>0$

(5)Selu:

$Selu(x)=\lambda \left\{\begin{matrix}x \qquad\quad\,\,\,,x \geq 0 \\ \alpha (e^{x}-1),x<0 \end{matrix}\right. \\ \left\{\begin{matrix} \alpha =1.6732632423543772848170429916717 \\ \lambda=1.0507009873554804934193349852946 \end{matrix}\right.$

(6)Softplus:

$Softplus(x)=log(e^{x}+1)$

(7)Softmax:

$Softmax(x)_{i}=\frac{e^{x_{i}}}{\sum_{k=1}^{K}e^{x_{k}}}$

9. 最大池化：Max pooling

10. 平均池化：Mean pooling

11. BN: Batch Normalization

一种非常有效的正则化方法

12. Dropout

一种正则化方法

Exmaple:
In order to avoid over fitting prob- lem in the designed networks, we adopted the “Dropout” method to drop out 25% hidden neurons after the third fully connected layers.

13. $L_{2}$ loss / Suqared loss

$S=\sum_{i=1}^{n}(Y_{i}-f(x_{i}))^{2}$

14. MSE: Mean square error

$MSE=\frac{1}{n}\sum_{i=1}^{n}(Y_{i}-f(x_{i}))^{2}$

15. $L_{2}$ 正则化： $L_{2}$ regularization

$J(\theta )=\frac{1}{2m}\left [ \sum_{i=1}^{m}(h_{\theta}(x_{i})-y_{i})^{2}+\lambda (\sum_{j=1}^{n}\theta ^{2}_{j}) \right ]$

16. 反向传播：backpropagation

17. 优化方法：Optimization

注：编程中的函数习惯用Optimizer，在学术写作尽量用Optimization,例如Adam optimization method

(1)Gradient Descent

(2)SGD

(3)Momentum

(4)Adagrad

(5)Adadelta

(6)RMSprop

(7)Adam

18. 学习率：Learning rate

19. 指数衰减学习率：Learning rate exponential decay

$decayed\_learning\_rate=learning\_rate\cdot decay\_rate^{\frac{global\_step}{decay\_step}}$

20. 训练步数：Step

经过一次优化为一步

21. 训练周期：Epoch

将数据集全部输入一轮回为一个epoch

22. 收敛：Convergence

当在训练神经网络时，准确率或者损失函数随训练步数的增加而变化很小时即为收敛

23. 回归：Regression

24. 分类：Classification

25. 交叉熵损失函数：Cross-entropy

常用于多分类任务的代价函数

$L=-\sum_{i=1}^{N}y_{i}\cdot log(\hat{y}_{i})+(1-y_{i})\cdot log(1-\hat{y}_{i})$

26. 批量输入大小：Batch size

27. 学习曲线：Learning curve

在这里插入图片描述

28. 训练集，交叉验证集，测试集：Training data, cross-validation data, test data

29. 精度：Precise

多评价回归问题

30. 准确率：Accuracy

多评价分类问题

Reference

[1] https://www.zybuluo.com/mdeditor?url=https://www.zybuluo.com/static/editor/md-help.markdown

[2] https://developers.google.com/machine-learning/glossary#c

[3] https://acadgild.com/blog/data-science-glossary-deep-learning-key-terms

[4] https://www.analyticsvidhya.com/blog/2017/05/25-must-know-terms-concepts-for-beginners-in-deep-learning/

[5] Luo G , Dong S , Wang K , et al. Multi-Views Fusion CNN for Left Ventricular Volumes Estimation on Cardiac MR Images[J]. Biomedical Engineering, IEEE Transactions on, 2018, 65(9):1924-1934.