目录
深度学习
机器学习的一部分
机器学习流程:数据获取,特征工程,建立模型,评估与应用。
特征工程是最大难度的,建模调api即可。
1.深度学习和机器学习的特征工程区别?
算法选择好的特征。
机器学习偏人工,人工选择特征;
深度学习,原始数据,通过网络学习哪些特征更加合适。解决特征工程的问题。
数据特征决定了模型的上线,预处理和特征是最核心的,算法和参数选择只是在逼近上限。
2.特征如何提取?
神经网络,黑盒子—>输入数据,自动进行特征提取,提取出认识的一系列特征。深度学习的核心:如何提取特征。
神经网络基础
得分函数:
线性函数,
3072个像素点,每个像素点影响不同,对应的重要程度(权重)不同;每个特征对应不同的权重参数。3072->3072个权重参数;
例如:一个十分类任务,十个类别分别计算得分,每一类有各自类别的权重,每个长度是1*3072行向量,每个类别对应一个行向量;十个类别对应着十个行向量。得到权重矩阵就是10*3072个行向量。W权重参数,b偏置参数。(W决定性,b是微调作用)
还是这个例子,三分类:猫狗船,分别得到得分值。3*4,三个类别。
权重参数大时候,重要程度大,正负:正促进作用,负抑制作用。
矩阵怎么来?
优化来的(梯度下降)随机初始化3*4矩阵,然后得到效果不好(上面图为例子),不是因为数据不好,而是因为权重矩阵不好。--à调整权重矩阵:损失函数。
损失函数
神经网络:分类回归都行。
损失函数