深度学习课件

• 深度学习的基础知识介绍，自制纯分享，包括ppt对应的稿子也分享给你们啦，下面是预览图
• 百度网盘：
• 链接：https://pan.baidu.com/s/1oO_XLAlGQkWQzi6dRiZ89A?pwd=5757
  提取码：5757
• 纯原创，自制ppt以及文稿

ppt

讲解稿

老师好，学长学姐晚上好！（点）
接下来我将从以下三个方面介绍深度学习的相关基础知识，首先是从深度学习的背景开始展开介绍（点）
人工智能的目标就是让机器像我们人类一样思考与行动，能够代替我们人类去做各种各样的工作，根据应用场景划分成4个大的类别：增强我们脑力还是增强我们体力、是取代人的工作还是辅助人。（点）
机器学习是指机器从经验中自动学习和改进的过程，不需要人工编写程序指定规则和逻辑，涉及计算机视觉、自然语言处理、统计学等诸多领域（点）
机器学习主要分为四步，其中最重要的一步就是特征工程，深度学习是机器学习的一部分，主要就是解决了特征工程（点点）
深度学习是神经网络的一种特殊形式，典型的神经网络如下图所示。可以看到，典型的神经网络由输入层，中间层和输出层，共三层所构成。如图中的圆圈，分别表示不同的神经元；每层中间传递的箭头，分别表示权重，权重就是神经元传导时的一个系数，这个系数叫做权重值（点）
在处理复杂问题时，可能需要多个“中间层”。将具有多个中间层的神经网络，称之为“深度学习网络”。（点）
深度学习强大的原因主要是基于以下两个方面：第一：在深度学习中，不需要手动提取特征，系统自动提取了非常多的特征、特征组合，并找出有用的特征。第二：处理线性不可分问题。简单说，就是通过解决一个又一个的简单问题，达到解决复杂问题的目的。（点）
实际上，深度学习，是通过一层又一层的中间层实现了复杂的功能。首先提取低级特征，然后对低级特征不断地在更高的级别上进行排列组合，并寻找组合后的有用信息（点）
具体的深度学习网络如图所示：通过观察，我们可以看到。在第1层，得到的都是最底层的图像信息。第2层，得到了一些底层特征的组合信息。第3层，仔细观察，这层能够得到图像的大致轮廓特征。在第4层，可以看到，此时不仅仅是轮廓。同类对象，他们的特征更相似。在第5层，得到了比第4层更高级的特征。可以看到，此时的特征比第4层更加“鲁棒”，相似的对象，特征更加相似。（点）
如图中，分别是各个层对应的不同计算次数（epoch）的特征效果。可以看到数据处理的次数（epoch）越多，得到的特征越有效。而且，随着层数的不断加深，对处理次数越来越敏感。（点）
接下来是卷积神经网络，CNN的结构分为3层：卷积层(Convolutional Layer) - 主要作用是提取特征。激活层（Activate the layer）-主要作用是对卷积层的输出结果做一次非线性映射。池化层(Max Pooling Layer) - 主要作用是下采样(downsampling)，却不会损坏识别结果。全连接层(Fully Connected Layer) - 主要作用是分类。（点）
卷积是图像处理中一种基本方法，卷积核是一个n*n的矩阵，对图像中每个点取以其为中心的n阶方阵, 将该方阵中各值与卷积核中对应位置的值相乘, 并用它们的和作为结果矩阵中对应点的值（点）
常见的池化层实际上是一种形式的降采样。有多种不同形式的非线性池化函数，而其中“最大池化”是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。（点）
通过特征提取，实现分类的红色神经元表示这个特征被找到了，把这些找到的特征组合在一起，发现最符合要求的是狗，所以全连接层在整个卷积神经网络中起到“分类器”的作用。（点）
以上就是关于深度学习的相关知识汇报，谢谢大家！