深度学习——训练神经网络
【1.2什么是神经网络】
举例:
假设有一个数据集,组成元素为6间面积不同的房屋,已知这6间房屋的面积与价格,想找到一个函数来根据房屋面积来预测房价:
根据线性回归拟合
ReLu function(rectified linear unit) 线性修正单元
例如房屋价格总不能是负的,rectified 修正表示的取的都是不小于零的值
neuron神经元:输入面积,完成运算,取不小于0的值,得出预测价格
(这是一个单个的神经元,复杂的神经元就是把这些单个的神经元想堆积木一样堆叠起来)
如下
只需输入x,神经网络通过运算预测对应的价格y。只要给足训练集(x, y) , 神经网络模型就会精确地计算出x 到 y 的映射函数。
第一层为输入层 图中的圈圈称为“隐形单元”
【1.3 用神经网络监督学习】
1、神经网络主要应用:
SNN标准神经网络——如,房地产、在线广告
CNN卷积神经网络——图像数据
RNN循环神经网络——序列数据(如,音频、语言)
Hybrid混合神经网络,更复杂
SNN CNN RNN的表示图
- 结构化数据、非结构化数据
结构化数据:每个特征都有清晰的定义,eg房屋大小、用户年龄
非结构化数据:计算机理解起来更难,eg音频、图像或文本的内容,特征:图像中的像素值,文本中的单词
【1.4 为什么深度学习会兴起】
x轴是数据量(labeled data)
y轴是算法的性能
训练一个足够大的神经网络+大规模的数据=高性能
注:“m”表示训练集的规模/训练样本的数量
训练集不大时(m不大时),各种算法性能排名不确定。只有在训练集非常庞大时,神经网络稳定地领先其他算法
算法创新,eg改变激活函数