什么是深度学习
深度学习的前身是人工神经网络,,在机器学习中,我们说的神经网络一般就是指人工神经网络。基本的神经网络是3层模型,两端分别为输入层和输出层,中间是隐藏层。
- 输入层,训练数据的输入。
- 输出层,输出计算结果。
- 中间层,中间层可以有一个或者多个,一般有5层,几百甚至上千层。
人工智能神经网络的么一层有大量的节点组成,层内的神经元一般相互独立。深度学习的目的就是利用已知的数据学习一套模型,在遇见未知的数据时也能够做出预测。这个过程需要神经元具备以下两个特性。
- 激活函数,将原有的来自其他神经元的输入做一个非线性变换,输出给下一个神经元,实现非线性能力的是前向传播。
- 成本函数,用来定量评估在特定输入值下,计算输出结果与真实结果的的距离,然后调整每层的权重参数,降低损失。这就是完成了一次反向传播。
监督学习:训练数据有标记的学习。
无监督学习:所有数据只有特征,没有标记,目的是让计算机自己去学习怎样做一件事。有两种思路,一是在训练时不为其制定明确的分类,但是这些数据会呈现出聚类的结构,计算机通过把这些没有标记的数据分成一个个的组合,就是聚类。二是在成功时采用某种形式的奖励机制,即强化学习,通过学习过程中的激励函数获得某种从状态到行动的隐射。
半监督学习:训练数据一半带有标记,一半没有标记。
机器学习的入门
数学知识:概率论和数理统计,高等数学,线性代数。
机器学习理论与算法:LR,SVM,决策树,RF……
编程工具:Python,c++,go……
研读论文,公众号,博客:LeNet,GoogleNet,GAN……
动手实践:演示案例。
深入工作的相关领域:计算机视觉……
为什么要学习TensorFlow
支持异构设备的分布式计算,支持卷积神经网络和循环神经网络。
TensorFlow的特性
- 高等的灵活性
- 真正的可移植性
- 将科研与产品结合在一起
- 自动求微分
- 多语言支持
- 最优化性能