深度学习入门
深度学习基础 2021.4.6前言
之前接触深度学习都是用什么学什么,用完也就忘掉了一大部分,这次趁着毕设,系统性地捋一下深度学习,参考书目《深度学习实践教程》吴微。
一、人工智能、机器学习、深度学习
人工智能:模拟延伸人的智能理论、方法、技术等,让计算机像人一样思考
机器学习:从已知数据中获得规律,并用规律对位置数据进行预测
深度学习:利用深度人工神经网络进行分类、预测
二、深度学习三要素
1.大数据
数据规模越大,深度学习相对于传统算法的优势约明显,准确率越高。
2.深度神经网络框架
区分于深度学习框架,深度神经网络框架是整个神经网络体系的构建方式和拓扑连接结构,主要包括以下四种。
FCNN 全连接神经网络
CNN 卷积神经网络
RNN 循环神经网络
GAN 生成式对抗网络
3.高性能计算能力
GPU图形处理单元:擅长大规模张量计算。
三.神经元神经网络
一个神经元模型包含输入、计算、输出分别对应人神经元的树突,细胞核,轴突。
输入、计算都可以有多个,输入到计算的过程为连接,连接上有权值。
训练一个神经网络就是将权值调整到最佳。
四.激励函数
加入激励函数,神经网络可能学习到平滑的曲线来实现对线性不可分数据的处理。
左:线性可分数据 右:线性不可分
常见激励函数:sigmoid、tanh、ReLU、Elu、LeakyReLU、Maxout
五.深度学习常用框架
避免大量重复代码而开源的框架,常用框架包括:Pytorch、Tensorflow、Caffee
总结
对于机器学习、深度学习的概念有了基本的了解,传统机器学习算法适用于结构化数据,深度学习算法在非结构化数据以及大量数据上表现较优。
本次课题为基于深度学习中Pytorch框架的脑部疾病诊断,接下来将进一步学习课题需要用到的深度学习网络结构以及实验细节。