深度学习
参考博客 深度学习(一)深度学习简介以及常用算法
一、深度学习概念
1.深度学习定义
深度学习定义:一般是指通过训练多层网络结构对未知数据进行分类或回归
深度学习分类:有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等;
无监督学习方法——深度信念网、深度玻尔兹曼机,深度自编码器等。
深度学习的思想:
深度神经网络的基本思想是通过构建多层网络,对目标进行多层表示,以期通过多层的高层次特征来表示数据的抽象语义信息,获得更好的特征鲁棒性。
2.深度学习应用
图像处理领域主要应用
-
图像分类(物体识别):整幅图像的分类或识别
-
物体检测:检测图像中物体的位置进而识别物体
-
图像分割:对图像中的特定物体按边缘进行分割
-
图像回归:预测图像中物体组成部分的坐标
语音识别领域主要应用
-
语音识别:将语音识别为文字
-
声纹识别:识别是哪个人的声音
-
语音合成:根据文字合成特定人的语音
自然语言处理领域主要应用
-
语言模型:根据之前词预测下一个单词。
-
情感分析:分析文本体现的情感(正负向、正负中或多态度类型)。
-
神经机器翻译:基于统计语言模型的多语种互译。
-
神经自动摘要:根据文本自动生成摘要。
-
机器阅读理解:通过阅读文本回答问题、完成选择题或完型填空。
-
自然语言推理:根据一句话(前提)推理出另一句话(结论)。
综合应用
-
图像描述:根据图像给出图像的描述句子
-
可视问答:根据图像或视频回答问题
-
图像生成:根据文本描述生成图像
-
视频生成:根据故事自动生成视频
二、4种典型的深度学习算法
卷积神经网络 - CNN
CNN 的价值:
-
能够将大数据量的图片有效的降维成小数据量(并不影响结果)
-
能够保留图片的特征,类似人类的视觉原理
CNN 的基本原理:
-
卷积层 – 主要作用是保留图片的特征
-
池化层 – 主要作用是把数据降维,可以有效的避免过拟合
-
全连接层 – 根据不同任务输出我们想要的结果
CNN 的实际应用:
-
图片分类、检索
-
目标定位检测
-
目标分割
-
人脸识别
-
骨骼识别
循环神经网络 - RNN
RNN 是一种能有效的处理序列数据的算法。比如:文章内容、语音音频、股票价格走势…
之所以他能处理序列数据,是因为在序列中前面的输入也会影响到后面的输出,相当于有了“记忆功能”。但是 RNN 存在严重的短期记忆问题,长期的数据影响很小(哪怕他是重要的信息)。
于是基于 RNN 出现了 LSTM 和 GRU 等变种算法。这些变种算法主要有几个特点:
-
长期信息可以有效的保留
-
挑选重要信息保留,不重要的信息会选择“遗忘”
RNN 几个典型的应用如下:
-
文本生成
-
语音识别
-
机器翻译
-
生成图像描述
-
视频标记
生成对抗网络 - GANs
假设一个城市治安混乱,很快,这个城市里就会出现无数的小偷。在这些小偷中,有的可能是盗窃高手,有的可能毫无技术可言。假如这个城市开始整饬其治安,突然开展一场打击犯罪的「运动」,警察们开始恢复城市中的巡逻,很快,一批「学艺不精」的小偷就被捉住了。之所以捉住的是那些没有技术含量的小偷,是因为警察们的技术也不行了,在捉住一批低端小偷后,城市的治安水平变得怎样倒还不好说,但很明显,城市里小偷们的平均水平已经大大提高了。
警察们开始继续训练自己的破案技术,开始抓住那些越来越狡猾的小偷。随着这些职业惯犯们的落网,警察们也练就了特别的本事,他们能很快能从一群人中发现可疑人员,于是上前盘查,并最终逮捕嫌犯;小偷们的日子也不好过了,因为警察们的水平大大提高,如果还想以前那样表现得鬼鬼祟祟,那么很快就会被警察捉住。为了避免被捕,小偷们努力表现得不那么「可疑」,而魔高一尺、道高一丈,警察也在不断提高自己的水平,争取将小偷和无辜的普通群众区分开。随着警察和小偷之间的这种「交流」与「切磋」,小偷们都变得非常谨慎,他们有着极高的偷窃技巧,表现得跟普通群众一模一样,而警察们都练就了「火眼金睛」,一旦发现可疑人员,就能马上发现并及时控制——最终,我们同时得到了最强的小偷和最强的警察。
深度强化学习 - RL
强化学习算法的思路非常简单,以游戏为例,如果在游戏中采取某种策略可以取得较高的得分,那么就进一步「强化」这种策略,以期继续取得较好的结果。这种策略与日常生活中的各种「绩效奖励」非常类似。我们平时也常常用这样的策略来提高自己的游戏水平。
在 Flappy bird 这个游戏中,我们需要简单的点击操作来控制小鸟,躲过各种水管,飞的越远越好,因为飞的越远就能获得更高的积分奖励。
这就是一个典型的强化学习场景:
-
机器有一个明确的小鸟角色——代理
-
需要控制小鸟飞的更远——目标
-
整个游戏过程中需要躲避各种水管——环境
-
躲避水管的方法是让小鸟用力飞一下——行动
-
飞的越远,就会获得越多的积分——奖励