神经网络的学习笔记
从今天开始系统学习神经网络和机器学习,记一个笔记帮助学习。在学习中遇到的问题用来记录。每天打卡~~~~
机器学习的作用
从数据中抽取规律,并用来预测未来。主要应用有:分类问题,回归问题和排序问题和生成问题。我主要关注的是回归问题。
文章目录
前言
学习视频:https://www.bilibili.com/video/BV1Xi4y137xE?p=2。
一、机器学习基础
首先采集到训练数据-定义问题(要优化什么)-选择相应的算法-训练得到模型-进行线上服务,同时在线上服务的时候也可以采集线下数据,进行数据的补充。
注意一下包含关系:人工智能>机器学习>深度学习
深度学习是机器学习的子方向!!!!
1 机器学习岗位职责
2深度学习分类
深度学习包含的算法有,其他的不列举,因为视频里没有讲:
二、神经网络
1.神经元
神经网路的最小结构
神经元中,权重W与输入x相乘再相加+偏置b,经过激活函数f。
对偏置的理解:w和b共同决定分类线或者分类面,b决定与坐标交点的值即截距。二维平面是线,三维平面是分类线
2.激活函数:
sigmoid
x接近正无穷,接近1,x负无穷趋近于0。(-6,+6)比较陡峭。其值域在(0,1)之间——同样,概率也在(0,1)之间,
所以在二分类问题时候可以定义,当输入为x ,输出y=0时候的概率就是sigmoid函数的输出,当y=1时候的概率就是:
p(Y=1|X)=1-hw(x)
若要做多分类分类模型,可以给加神经元,加一个神经元有二个输出,可以做三分类的问题,注意此时:
W从向量变成了矩阵
输出Wx变成向量,而不是值了
同时对于二分类问题的另外一个角度去看
相当于wX对于E^(-wx),然后与1相加进行归一化,那么对于多分类可以这样理解:
接上面的公式举例理解***概率***,例子理解:
3 目标函数(损失函数)
作用:衡量对数据的拟合程度
常用损失函数(公式网上自己找吧):平方差损失,交叉熵损失(更适合做多分类)
4 神经网络训练
目的要求调整参数使模型在训练集上的损失函数值最小,意味着model预测结果与真实差别最小。
梯度下降算法
函数的下降方向就是其导数方向,所以要求参数的变化方向就是要对参数求偏导。
α就是步长,后边那个方框是变化的方向。步长的大小影响很大。
三 、tensorflow
是谷歌的第二代机器学习框架。(但我之后要学pytorch呀,= =学不学都行吧 ,先看看)
同时安装了 jupyter notebook,这个是网页版的,可以看单步运行内容。安装过程参见:
https://blog.csdn.net/gui694278452/article/details/81710184