目录
1、深度学习与机器学习
机器学习是人工智能的一个分支,深度学习是机器学习的一个分支。
机器学习:一种实现人工智能的方法
使用算法来解析数据,从中学习,然后对真实世界中的事件做出决策和预测。
与传统的软件程序不同,机器学习是用大量的数据来“训练”,通过各种算法从数据中学习如何完成任务。
深度学习:一种实现机器学习的技术
深度学习大致就是一个用人类的数学知识与计算机算法构建起来的整体架构,再结合尽可能多的训练数据以及计算机的大规模运算能力去调节内部参数,尽可能逼近问题目标的半理论,半经验的建模方式、
(如今最可靠的方法来在神经网络上获得更好的性能,往往就是要么训练一个更大的神经网络,要么投入更多的数据)
2、四种典型的深度学习算法
2-1 CNN(卷积神经网络)
(1)价值
1)能够将大数据量的图片有效的降维成小数据量
2)能够保留图片的特征,类似人类的视觉原理
(2)基本原理
1)卷积层:主要作用是保留图片的特征
2)池化层:主要作用是把数据降维,可以有效的避免过拟合
3)全连接层:根据不同任务输出我们想要的结果
(3)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
2-2 RNN(循环神经网络)
是一种能有效处理序列数据的算法,如:音频,股票走势
之所以它能处理序列数据,是因为在序列中前面的输入也会影响到后面的,相当于有了“记忆功能”。但是,RNN存在严重的短期记忆问题,长期数据影响很小。于是有了基于RNN的变种算法,如:LSTM,GRU等,它们的特点: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的典型应用有:文本生成;语音识别;机器翻译;生成图像描述;视频标记。
2-3 GANs(生成对抗网络)
“生成器”和“判别器”,循环-{固定一个,提升另一个}。最后达到两者能力都提升。
2-4 RL(深度强化学习)
强化学习的算法思路: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,那么进一步“强化”这种策略,以继续取得较好的结果。
(强化学习并不是某一特定的算法,而是一类算法的统称)