【Python深度学习】Python全栈体系（二十七）

柠檬小帽

已于 2022-08-09 19:22:45 修改

阅读量728

点赞数

分类专栏： Python深度学习文章标签：深度学习 python 人工智能

于 2022-08-03 19:40:24 首次发布

本文链接：https://blog.csdn.net/sgsgkxkx/article/details/126128237

版权

Python深度学习专栏收录该内容

10 篇文章 4 订阅

订阅专栏

深度学习

第一章深度学习概述

一、引入

1. 人工智能划时代事件

2016年3月，Google公司研发的AlphaGo以4:1击败世界围棋顶级选手李世石。次年，AlphaGo2.0对战世界最年轻的围棋四冠王柯洁，以3:0击败对方，背后支撑AlphaGo具备如此强大能力的，就是“深度学习”（Deep Learning）。
一时间，“深度学习”这个本专属于计算机学科的术语，成为包括学术界、工业界、风险投资界等众多领域的热词。

2. 深度学习巨大影响

除了博弈，深度学习在计算机视觉（computer vision）、语音识别、自动驾驶等领域，表现与人类一样好，甚至有些地方超过了人类。2013年，深度学习就被麻省理工学院的《MIT科技评论》评为世界10大突破性技术之一。
深度学习不仅是一种算法升级，还是一种全新的思维方式，它的颠覆性在于，将人类过去痴迷的算法问题，演变成数据和计算问题，以前“算法为核心竞争力”正在转换为“数据为核心竞争力”。

二、深度学习的定义

1. 什么是深度学习？

简单来说，深度学习就是一种包括多个隐含层（越多即为越深）的多层感知机。它通过组合低层特征，形成更为抽象的高层表示，用以描述被识别对象的高级属性类别或特征。能自生成数据的中间表示（虽然这个表示并不能被人类理解），是深度学习区别于其他机器学习算法的独门绝技。
所以，深度学习可以总结成：通过加深网络，提取数据深层次特征。

2. 深度神经网络

在这里插入图片描述

3. 深度学习与机器学习的关系

人工智能学科体系
人工智能、机器学习、深度学习三者的关系，可以认为深度学习是机器学习的“高级阶段“

三、深度学习的特点

1. 深度学习的特点

优点：
- 性能更优异
- 不需要特征工程
- 在大数据样本下有更好的性能
- 能解决某些传统机器学习无法解决的问题
缺点：
- 小数据样本下性能不如机器学习
- 模型复杂
- 过程不可解释

2. 深度学习的优点

2.1 性能更优异

在这里插入图片描述

2.2 不需要特征工程

传统机器学习需要人进行特征提取（特征工程），机器性能高度依赖于特征工程的质量。在特征很复杂的情况下，人就显得无能为力。而深度学习不需要这样的特征工程，只需将数据直接传递给深度学习网络，由机器完成特征提取。

2.3 深度学习在大样本数据下有更好的性能和扩展性

在这里插入图片描述

2.4 深度学习能解决传统机器学习无法解决的问题（如深层次特征提取）

在这里插入图片描述

3. 深度学习的缺点

深度学习在小数据上性能不如传统机器学习
深度学习网络结构复杂、构建成本高
传统机器学习比深度学习具有更好的解释性

4. 深度学习与传统机器学习对比

在这里插入图片描述

5. 为什么要学习深度学习？

深度学习具有更强的解决问题能力（例如图像识别准确率明显超过机器学习，甚至超过了人类）
掌握深度学习具有更强的职业竞争力
深度学习在行业中应用更广泛

四、深度学习的应用

图像分类、人脸识别、图像迁移、语音处理、自动驾驶、机器博弈、机器人、自然语言处理

五、深度学习总结

在这里插入图片描述

第二章感知机与神经网络

一、感知机概述

1. 什么是感知机？

感知机（Perceptron），又称神经元（Neuron）。是神经网络（深度学习）的起源算法，1958年由康奈尔大学心理学教授弗兰克·罗森布拉特（Frank Rosenblatt）提出，它可以接收多个输入信号，产生一个输出信号。

2. 感知机的功能

实现逻辑运算，包括逻辑和（AND）、逻辑或（OR）
实现自我学习
组成神经网络

3. 实现逻辑和

在这里插入图片描述

4. 实现逻辑或

在这里插入图片描述

5. 感知机的缺陷

感知机的局限在于无法处理“异或”问题

6. 多层感知机

1975年，感知机的“异或”难题才被理论界彻底解决，即通过多个感知机组合来解决该问题，这种模型也叫多层感知机（Multi-Layer Perceptron，MLP）。如下图所示，神经元节点阈值均设置为0.5

7. 代码

# 自定义感知机

# 实现逻辑和
def AND(x1, x2):
    w1, w2 = 0.5, 0.5  # 两个权重
    theta = 0.7  # 阈值
    tmp = x1 * w1 + x2 * w2
    if tmp <= theta:
        return 0
    else:
        return 1


print(AND(1, 1))  # 1
print(AND(1, 0))  # 0
print(AND(0, 0))  # 0


# 实现逻辑或
def OR(x1, x2):
    w1, w2 = 0.5, 0.5  # 两个权重
    theta = 0.2  # 阈值
    tmp = x1 * w1 + x2 * w2
    if tmp <= theta:
        return 0
    else:
        return 1


print(OR(1, 1))  # 1
print(OR(1, 0))  # 1
print(OR(0, 0))  # 0


# 实现逻辑异或
def XOR(x1, x2):
    s1 = not AND(x1, x2)  # 对x1,x2做逻辑和计算，再取非
    s2 = OR(x1, x2)  # 直接对x1,x2做逻辑或计算
    y = AND(s1, s2)
    return y


print(XOR(1, 1))  # 0
print(XOR(1, 0))  # 1
print(XOR(0, 0))  # 0

二、神经网络

1. 什么是神经网络？

感知机由于结构简单，完成的功能十分有限。可以将若干个感知机连在一起，形成一个级联网络结构，这个结构称为“多层前馈神经网络”（Multi-layer Feedforward Neural Networks）。所谓“前馈”是指将前一层的输出作为后一层的输入逻辑结构。每一层神经元仅与下一层的神经元全连接。但在同一层之内，神经元彼此不连接，而且跨层之间的神经元，彼此也不相连。

2. 神经网络的功能

1989年，奥地利学者库尔特·霍尼克（Kurt Hornik）等人发表论文证明，对于任意复杂度的连续波莱尔可测函数（Borel Measurable Function）f，仅仅需要一个隐含层，只要这个隐含层包括足够多的神经元，前馈神经网络使用挤压函数（Spuashing Function）作为激活函数，就可以以任意精度来近似模拟f。如果想增加f的近似精度，单纯依靠增加神经元的数目即可实现。
这个定理也被称为通用近似定理（Universal Approximation Theorem），该定理表明，前馈神经网络在理论上可近似解决任何问题。