Deep Learning（深度学习）

Deep Learning（深度学习）

第一节：了解深度学习

1.什么是神经网络

假设我们想要来通过房价预测来举例子（假设我们有6个房子的价格预测）：如果我们用线性回归的方式就是由下图来表示

 

        因为房价不可能为负数，所以我们就用0来表示（在后面会出现很多像这样的函数，这个方程的输出结果前部分是零 后部分是直线 这样的一个方程我们叫做 ReLU 函数 意思是线性整流函(Rectified Linerar Unite) 所以 ReLU 以及整流，就意味着取max(0, y)）。这样我们就可以把它当作最简单的神经网络，让我们来把他用图来表示：我们用房子的大小X最为神经网络的输入，把他放入一个节点中，然后节点就会输出房价，我们叫做Y

 

        这个小圈就是神经网络的一个神经元。像这样的是非常非常小的一个神经网络，而一个大的神经网络是由许多这样的单一神经元叠加在一起。

现在我们仍然用房价的例子来举例，我们买房子对于其价格是不是可以由大小，地理位置，属于哪个城市，是不是在学校附件等因素来决定，我们仍然用X来表示输入，Y表示预测的价格，这样我们就可以得到一个比较大的神经网络。

 

注意 这里的每个小圆圈 都叫做神经网络中的 隐藏神经元 其中的每一个神经元 都将所有的四个特征当作输入 所以 举例来说 与其说第一个节点代表家庭人数 而家庭人数仅仅 依赖于特征 x1 和 x2 不如说 在神经网络中 神经网络自己来决定 这些网络节点是什么 我们将会给你所有的四个特征 来完成你想要的任务 所以我们称这一层为输入层 在中间的这一层是全连接的 因为每一个输入特征(参数)都会连接 中间层的每一个节点 而神经网络最重要的一点就是 只要给定足够多的 训练示例 x 和 y 神经网络就能很好地拟合出一个 函数来建立 x 和 y 之间的映射关系。

这就是一个简单的神经网络。

2.神经网络的监督学习

        在监督学习中 你有一些输入x 并且你想通过x学习到一个函数 这个函数能够将x映射到输出y 比如说 现在我们有 一个预测房价的应用软件 它可以根据你输入的 房屋特征x 去估计房屋的售价y 。

        在现在的对于深度学习应用最为广泛的可能是在线广告了，在线广告在根据你在网站上输入信息以及其他的分享，神经网络会更好的预测你是否会点击某一个广告。

        对于很多有价值的发明如：语音翻译，图像识别等等，这些都是通过神经网络在特定的问题下巧妙的建立x对应y的函数映射关系，并且通过监督学习拟合数据成为某个复杂系统的一部分。

        事实证明 (结构)稍有不同的神经网络，在不同的应用领域都非常的有用 例如，在之前的视频中 ,房屋售价预测应用里我们用了非常标准的神经网络结构 。在图像应用中，我们常常将卷积结构放在神经网络结构当中（简称CNN）。而在序列化数据中，比如音频是时序组成的数据， 最能自然而然地代表音频的数据结构 ，在这种序列化数据中常常用到RNN。语言 ，比如英语和中文 ，字母或汉字都在序列化数据中有自己出现的时序 ，所以语言也是能够被自然而然地表现为序列化数据 ，并且更复杂版本的RNNs 经常用到上述的应用当中 。 像自动驾驶技术，当你去识别图像内容时 ，需要对卷积神经网络CNN的 结构和雷达信息有更多的改进 ，直至定下完全不同 标准神经网络结构 ，你所需要的结构也许更加定制化更加复杂混合着其他结构的神经网络结构。所以 这些应用只是将标准的CNN和 RNN结构更加的具体化 。

 

下面我们了解结构化数据和非结构化数据：

①结构化数据是基于数据库的数据，举个例子，在房价预测中你也许会有一个数据库或列表，它将告诉你房屋面积和卧室数量等信息，这就是结构化数据

 

②非结构化数据是类似于音频，原始音频，图片或文本这种数据，这里的特征也许是图片中的像素值，或者是文本中的独立单词。

 

学习链接：About this Course | Coursera