法律声明
本课件包括:演示文稿,示例,代码,题库,视频和声
音等,小象学院拥有完全知识产权的权利;只限于善意
学习者在本课程使用,不得在课程范围外向任何第三方
散播。任何其他人或机构不得盗版、复制、仿造其中的
创意,我们将保留一切通过法律手段追究违反者的权利。
课程详情请咨询
微信公众号:小象
新浪微博:ChinaHadoop
互联网新技术在线教育领航者
第八讲
LOGO
深度学习及TensorFlow
--梁斌
互联网新技术在线教育领航者
目录
• 人工神经网络
• 深度学习
• TensorFlow框架学习及使用
• TensorFlow实现卷积神经网络
• 实战案例:基于TensorFlow的图像识别
互联网新技术在线教育领航者
目录
• 人工神经网络
• 深度学习
• TensorFlow框架学习及使用
• TensorFlow实现卷积神经网络
• 实战案例:基于TensorFlow的图像识别
互联网新技术在线教育领航者
人工神经网络
背景
• 以人脑中的神经网络为启发,有多个版本
• 最著名的是1980年的backpropagation
神经网络基本组成
• 输入层(input layer ),隐藏层(hidden layers ),输出层(output layer )
互联网新技术在线教育领航者
人工神经网络
• 每层由神经元(neuron )或单元(unit )组成
• 输入层(input layer )是由训练集的样本特征向量传入
• 经过连接节点的权重(weight )传入下一层,上一层的输出是下一层的输入
• 上一层中的加权求和,然后根据非线性方程转化为下一层的输入
• 下图是3层神经网络(通常不算输入层)
互联网新技术在线教育领航者
人工神经网络
• 对于多层神经网络,理论上,如果有足够多的隐藏层和足够多的训练样本,可
以拟合出任意方程
设计神经网络结构
• 包括确定网络层数,每层的节点个数
• 特征向量在被传入输入层之前要进行标准化(normalize )到0-1间,为了加速
训练过程
• 神经网络既可以用来解决分类问题,也可以解决回归问题
• 输出层的单元数是类别的个数
• 没有明确的规则来确定隐藏层的个数和节点的个数
• 一般是通过交叉验证的方法确定
互联网新技术在线教育领航者
人工神经网络
Backpropagation算法
• 通过迭代处理训练集中的样本
• 对比经过神经网络后输出层的预测值和真实值
• 从输出层经过隐藏层反向传播到输入层,以最小化误差更新连接权重
算法过程
1. 初始化权重(weights)和偏置(bias): 随机初始化在-1到1的值,每个节点有 一
个偏向
2. 每个训练样本执行以下步骤:
2.1 由输入层前向传播,根据初始化的参数及激活函数 ,计算出节点的输出,
直到输出层
2.2 反向传播计算误差,更新权重和偏置
互联网新技术在线教育领航者
人工神经网络
算法过程
• 每个训练样本执行以下步骤(续):
3. 终止条件
• 1) 权重的更新低于某个阈值,
• 2) 预测的错误率低于某个阈值
• 3) 达到预设的循环次数
互联网新技术在线教育领航者
人工神经网络
例子
1. 初始化权重(w)和偏置(b) ,提供输入(i)输出(o)
互联网新技术在线教育领航者
人工神经网络
2.1. 前向计算
• 隐含层 h1 :
net w1i1w2i 2b11
h1
net 0.150.05 0.2 0.10.351