1.1什么是神经网络
举例:预测房价
用一条直线拟合房价
![](https://i-blog.csdnimg.cn/blog_migrate/49772fc33eba5008cd379d1f959b49b5.png)
把房屋的面积作为输入(成为x),通过一个节点(一个小圆圈),最终输出价格(成为y)。如下图所示,即为一个简单的神经网络。
![](https://i-blog.csdnimg.cn/blog_migrate/2b699b4d0c44355f3a8372fc913ad5ee.png)
进一步的,房屋的价格可能还与其他因素有关,如位置,卧室数量等。故多个特征输入时,可表示为:
![](https://img-blog.csdnimg.cn/2019103020045454.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzMTk2MDU4,size_16,color_FFFFFF,t_70)
这就是多个输入的神经网络,用一个更规范的形式表示为:
![](https://i-blog.csdnimg.cn/blog_migrate/0298544325a9e077928d09e483b7738a.png)
1.2神经网络在监督学习中的应用
监督学习
输入(Input(x)) | 输出(Output(y)) | 应用(Application) | 原理 |
---|---|---|---|
房价因素(Home features) | 房价(Price) | Real Easter | 标准神经网络(Standard NN) |
在线广告,用户信息(ad) | 推荐在线广告(0/1) | 在线广告(Online Advertising) | |
图片(Image) | 目标(Object) | 图片识别(Photo tagging) | 卷积神经网络(Convolution NN) |
音频(Audio) | 转换文本(Text transcript) | 语音识别(Specch recognition) | 递归神经网络(Recurrent NN) |
英语(English) | 中文(Chinese) | 在线广告(Online Advertising) | |
图片(Image,Radar info) | 位置(Position of other cars) | 自动驾驶(Auto driving) | Custom and hybrid NN |
Standard NN
![](https://i-blog.csdnimg.cn/blog_migrate/675b81bd4b22a1608a860dc5a17102a0.png)
CNN
![](https://i-blog.csdnimg.cn/blog_migrate/6de2c05b8389ec5b9394b78be7e64390.png)
RNN
![](https://i-blog.csdnimg.cn/blog_migrate/ad3a088d935611517ab27bfbd42de3a8.png)
结构化数据与非结构化数据
![](https://i-blog.csdnimg.cn/blog_migrate/4ad3f88b2fb23b9734579a0616ff8a11.png)
1.3深度学习为什么会兴起
如图所示,大数据时代,深度学习算法性能远远强于其他算法。
![](https://i-blog.csdnimg.cn/blog_migrate/eb3f164d261c34fcacb6b1ce28263b4d.png)
三个因素:
- Data
- . Computation 比如:GPU
- Algorithm 比如:sigmoid function→ReLU function
算法必须快,形成一个正循环,快速验证:
![](https://i-blog.csdnimg.cn/blog_migrate/ab3926b0eb75b6c1b3d335d6985ef0f6.png)