深度学习简要介绍

最新推荐文章于 2023-10-05 22:33:17 发布

阳桃

最新推荐文章于 2023-10-05 22:33:17 发布

阅读量416

点赞数

分类专栏：深度学习笔记与算法文章标签：深度学习

本文链接：https://blog.csdn.net/qq_33043295/article/details/112728280

版权

深度学习笔记与算法专栏收录该内容

4 篇文章 0 订阅

订阅专栏

01.深度学习引言

深度学习改变了传统互联网业务，例如网络搜索和广告。但是深度学习同时也使得许多新产品和企业以很多方式帮助人们，从获得更好的健康关注。深度学习做的非常好的一个方面就是读取X光图像，到生活中的个性化教育，到精准化农业，甚至到驾驶汽车以及其它一些方面。在接下来的十年中，我认为我们所有人都有机会创造一个惊人的世界和社会，这就是AI的力量。希望我们能在创建AI（人工智能）社会的过程中发挥重要作用。

02.什么是神经网络

深度学习经常说是神经网络的训练过程，有时它指的是特别大规模的神经网络训练。那么神经网络究竟是什么呢？下面用房价预测的例子说明。
作为一个神经网络，最简单神经网络。我们把房屋的面积作为神经网络的输入（我们称之为），通过一个节点（一个小圆圈），最终输出了价格（我们用表示）。其实这个小圆圈就是一个单独的神经元。接着你的网络实现了左边这个函数的功能。在有关神经网络的文献中，你经常看得到这个函数。从趋近于零开始，然后变成一条直线。这个函数被称作ReLU激活函数，它的全称是Rectified Linear Unit。rectify（修正线性单元）可以理解成，这也是你得到一个这种形状的函数的原因。如下图所示：为了替代一条可能会让价格为负的直线，我们把直线弯曲一点，让它最终在零结束。这条粗的蓝线最终就是你的函数，用于根据房屋面积预测价格。有部分是零，而直线的部分拟合的很好。
线性回归房屋价格拟合函数
对于一个房子来说，与它息息相关的事情，家庭人口、步行化程度以及学校的质量都能帮助你预测房屋的价格。以此为例，是所有的这四个输入，是你尝试预测的价格，把这些单个的神经元叠加在一起，我们就有了一个稍微大一点的神经网络。这显示了神经网络的神奇之处，虽然我已经描述了一个神经网络，它可以需要你得到房屋面积、步行化程度和学校的质量，或者其它影响价格的因素。神经网络的一部分神奇之处在于，当你实现它之后，你要做的只是输入，就能得到输出。因为它可以自己计算你训练集中样本的数目以及所有的中间过程。所以，你实际上要做的就是：这里有四个输入的神经网络，这输入的特征可能是房屋的大小、卧室的数量、邮政编码和区域的富裕程度。给出这些输入的特征之后，神经网络的工作就是预测对应的价格。同时也注意到这些被叫做隐藏单元圆圈，在一个神经网络中，它们每个都从输入的四个特征获得自身输入，比如说，第一个结点代表家庭人口，而家庭人口仅仅取决于和特征，换句话说，在神经网络中，你决定在这个结点中想要得到什么，然后用所有的四个输入来计算想要得到的。因此，我们说输入层和中间层被紧密的连接起来了。值得注意的是神经网络给予了足够多的关于和的数据，给予了足够的训练样本有关和。神经网络非常擅长计算从到的精准映射函数。这就是一个基础的神经网络。你可能发现你自己的神经网络在监督学习的环境下是如此的有效和强大，也就是说你只要尝试输入一个，即可把它映射成，就好像我们在刚才房价预测的例子中看到的效果。
在这里插入图片描述

03.神经网络的监督学习(Supervised Learning with Neural Networks)

对于图像应用，我们经常在神经网络上使用卷积（Convolutional Neural Network）
对于序列数据，例如音频，有一个时间组件，随着时间的推移，音频被播放出来，所以音频是最自然的表现。作为一维时间序列（两种英文说法one-dimensional time series / temporal sequence）.对于序列数据，经常使用RNN，一种递归神经网络（Recurrent Neural Network）语言，英语和汉语字母表或单词都是逐个出现的，所以语言也是最自然的序列数据，因此更复杂的RNNs版本经常用于这些应用。
结构化数据：
结构化数据意味着数据的基本数据库。例如在房价预测中，你可能有一个数据库，有专门的几列数据告诉你卧室的大小和数量，这就是结构化数据。或预测用户是否会点击广告，你可能会得到关于用户的信息，比如年龄以及关于广告的一些信息，然后对你的预测分类标注，这就是结构化数据，意思是每个特征，比如说房屋大小卧室数量，或者是一个用户的年龄，都有一个很好的定义。
非结构化数据：
指比如音频，原始音频或者你想要识别的图像或文本中的内容。这里的特征可能是图像中的像素值或文本中的单个单词。从历史经验上看，处理非结构化数据是很难的，与结构化数据比较，让计算机理解非结构化数据很难，而人类进化得非常善于理解音频信号和图像，文本是一个更近代的发明，但是人们真的很擅长解读非结构化数据。

**