本文开头特别感谢许良带我进入深度学习世界。
这篇文章的目的是让我复习一下深度学习的大概框架,之后学习吴老师的课程后再来展开
深度学习的分类
1:监督学习 ·1训练数据有标签 ·2输入输出有映射关系 ·3主要应用于图像学习
2:无监督学习·1训练数据没有标签2 输入数据隐含的结构关系 3·聚类算法
3:强化学习1建立环境到行为之间的最佳映射·2阿尔法狗
卷积神经网络
卷积
y(t)=f(t)∗g(t)=∫∞−∞f(u)g(t−u)du
就现在的我看这个公式是基本看不懂~不过按照我查找的资料,他应该是应用于特征提取例如下图
讲一个6乘6的图通过公式变成了4乘4的图,但是我们并不知道他在中间提取出来的是什么信息,也就是说这是一个黑盒子!
神经网络
我认为应该是类似于人脑一样的,在多个神经元之间进行信息的传输,与人脑不同的是在传入这些神经元之后会进行一些处理,提取特征什么的。
- 输入层(Input layer),众多神经元(Neuron)接受大量非线形输入讯息。输入的讯息称为输入向量。
- 输出层(Output layer),讯息在神经元链接中传输、分析、权衡,形成输出结果。输出的讯息称为输出向量。
- 隐藏层(Hidden layer),简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。如果有多个隐藏层,则意味着多个激活函数。
还有激活函数,损失函数,梯度下降,随机梯度下降,反向传播,正向传播等等
深度学习的步骤
1获取数据
买买买需要许多数据的时候是需要去买的,对已经有的数据进行处理,比如将其剪裁,翻卷,调亮度等,虽然对于人作用不大,对机器却不一样。
2处理数据
为了更好的计算数据,避免出现太大或者太小的数据,从而出现计算溢出或者精度失真,一般在开始做数据处理之前,需要进行归一化处理,就是将像素保持在合理的范围内,如[0,1]或者[-1,1]。
3模型搭建
搭建好上面说的神经网络,当热在中间还要加其他的层。
4模型训练
一个是欠拟合,一个是过拟合。所以要根据所掌握的一些知识,经验调节参数