李宏毅2022《机器学习/深度学习》——学习笔记(3)

DNN Training Procedure

在这里插入图片描述
上图所示是 Pytorch 中训练 DNN 的概述,首先是 Define Neural Network、Loss Function、Optimizer,这三步用到了 torch.nn 和 torch.optim 模块。加载数据主要用到 torch.utils.data.Dataset 和 torch.utils.data.DataLoader 模块。反复进行训练和验证,最后得到模型进行测试。

深度学习简介

神经网络是一个函数

在这里插入图片描述
如果参数已知,那么一个神经网络就是一个 function

在这里插入图片描述
如果只是给出了一个网络结构,并没有确定参数,那么就是定义了一个函数的集合。

在这里插入图片描述
Layer1 的所有输出都与 Layer2 的所有输入连接,所以叫全连接。
Layer1 的输出给 Layer2,Layer2 的输出给 Layer3,所以叫前馈网络。

神经网络中的矩阵运算

神经网络的计算可以用矩阵操作来表示,如下图是一个计算例子。
在这里插入图片描述

在这里插入图片描述
如上图所示,是深度神经网络用矩阵计算的过程, σ \sigma σ 是激活函数。

在这里插入图片描述

一个深度神经网络可以表示成一个函数,它的函数表达式如上图所示。写成矩阵运算的好处是可以用 GPU 加速,普通的 GPU 只是做矩阵运算比较快(相比 CPU)。

手写体识别例子

在这里插入图片描述
上图是一个简单的例子,输入是一个手写体数字的图像,对应一个长度为 256 的一维矩阵。输出是一个长度为 10 的一维矩阵,每个位置对应一个数字的概率,认为概率最大的那个数字就是最终的预测结果。

在这里插入图片描述
如上图所示,输入是一个长度为 256 的一维矩阵,输出是一个长度为 10 的一维矩阵,把输入转化为输出的函数就是神经网络。

Backpropagation(反向传播)

在这里插入图片描述
backpropagation(反向传播),就是 gradient descent,它能够高效地计算百万维的一维矩阵的梯度。

看了两遍以后,我发现 backpropagation 之所以高效,是利用了动态规划的思想。之所以说是利用了动态规划的思想,而不是动态规划,是因为这个问题是求梯度,是一个确定的值,而动态规划是求最值的,但是思路是一样的。

在这里插入图片描述
如上图所示,求 ∂ z ∂ w \frac{\partial z}{\partial w} wz 是 Forward pass,求 ∂ C ∂ z \frac{\partial C}{\partial z} zC 是 Backward pass。

∂ C ∂ z \frac{\partial C}{\partial z} zC 的过程可以画成以下递归树,递归边界是输出层。如果直接计算时间复杂度很高,因为存在大量重复计算,也就是重叠子问题。比如计算到 a 1 a_1 a1 需要 b 1 , b 2 , b 3 b_1,b_2,b_3 b1,b2,b3 三个子问题的结果,计算 a 2 , a 3 a_2,a_3 a2,a3时也需要用到 b 1 , b 2 , b 3 b_1,b_2,b_3 b1,b2,b3 三个子问题的结果。这时就可以考虑利用动态规划的思想,增加备忘录记忆化搜索或从后往前推。减少了大量重复计算,就是 backpropagation 高效的原因。

在这里插入图片描述
在这里插入图片描述
上图是对 backpropagation 的总结,求 ∂ z ∂ w \frac{\partial z}{\partial w} wz 是 Forward pass,求 ∂ C ∂ z \frac{\partial C}{\partial z} zC 是 Backward pass。

参考资料

(强推)李宏毅2021/2022春机器学习课程

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

dotJunz

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值