环境配置是真的难,呜呜
1.学习是一个训练模型的过程,通常包括以下步骤:
-
从一个随机初始化参数的模型开始,这个模型基本毫不“智能”。
-
获取一些数据样本(例如,音频片段以及对应的是否{是,否}标签)。
-
调整参数,使模型在这些样本中表现得更好。
-
重复第2步和第3步,直到模型在任务中的表现令你满意。
2.机器学习的关键组件:
-
我们可以学习的数据(data)。
-
如何转换数据的模型(model)。
-
一个目标函数(objective function),用来量化模型的有效性。
-
调整模型参数以优化目标函数的算法(algorithm)。
3.数据:
拥有海量数据是不够的,我们需要的是正确的数据,以及能够预测任务目标的。
4.模型:
模型由神经网络错综复杂的交织在一起,包含层层数据转换,因此被称为深度学习。
5.目标函数:
用于定义模型的优劣程度。通常定义一个目标函数,希望优化他到最低点,故这函数也被称为损失函数。最常见的损失函数是平方误差,即测量值与实际值之差的平方值。
损失函数是根据模型参数定义的,并取决于数据集。 在一个数据集上,我们通过最小化总损失来学习模型参数的最佳值。该数据集由一些为训练而收集的样本组成,称为训练数据集。
数据集分成两部分:训练数据集用于拟合模型参数,测试数据集用于评估拟合的模型。
6.优化算法:
一旦我们获得了一些数据源及其表示、一个模型和一个合适的损失函数,我们接下来就需要一种算法,它能够搜索出最佳参数,以最小化损失函数。流行的优化算法是梯度下降。
简而言之,在每个步骤中,梯度下降法都会检查每个参数,看看如果你仅对该参数进行少量变动,训练集损失会朝哪个方向移动。 然后,它在可以减少损失的方向上优化参数。
7.监督学习:
监督学习(supervised learning)擅长在“给定输入特征”的情况下预测标签。 每个“特征-标签”对都称为一个样本(example)。
较为细致的理解:首先,从已知大量数据样本中随机选取一个子集,为每个样本获取基本的真实标签。 有时,这些样本已有标签(例如,患者是否在下一年内康复?); 有时,我们可能需要人工标记数据(例如,将图像分类)。 这些输入和相应的标签一起构成了训练数据集。 随后,我们选择有监督的学习算法,它将训练数据集作为输入,并输出一个“完成学习模型”。 最后,我们将之前没见过的样本特征放到这个“完成学习模型”中,使用模型的输出作为相应标签的预测。