第一次作业：深度学习基础

 

视频学习

之前已经看过了相关的视频，这次再看一遍，把一些重要的知识点再回顾一下。

1. 机器学习是从数据中自动提取知识，有数据，有意义，没有解析解。机器学习三要素：

   • 模型：对要学习问题的映射。

     • 数据标记（监督学习、无监督学习、半监督学习、强化学习）

     • 数据分布（参数模型，非参数模型）

     • 建模对象（判别模型、生成模型）

   • 策略：从假设空间中学习、选择最优模型的准则（确定目标函数）

   • 算法：根据目标函数求解最优模型的具体计算方法（求解模型参数）

2. 深度学习三个助推剂：数据、算法、计算力

3. 深度学习的不能：

   • 算法输出不稳定，容易被攻击；

   • 模型复杂度高，难以纠错和调试；

   • 模型层级复合程度高，参数不透明；（卷积）

   • 端到端训练方式对数据依赖性强，模型增量性差；（拟合能力依赖于数据量）

   • 专注直观感知类问题，对开放性推理问题无能为力；

   • 人类知识无法有效引入进行监督，机器偏见难以避免。（数据不一定正确）

4. 生物神经元到单层感知器，多层感知器

   • 生物神经元 多输入单输出的信息处理单元；具有阈值特性；分为兴奋性和抑制性；具有空间整合和时间整合特性。

   • M-P神经元 具有多个输入，每个输入对应一个权值，这个权值需要预先设定，所以M-P神经元没有学习能力。每个神经元还有一个阈值和一个激活函数。

   • 单层感知器 单层感知器的结构与M-P神经元一致，但是单层感知器中的权值是可以通过学习来改变的，所以单层感知器是首个可以学习的人工神经网络。

   • 多层感知器 由于单层感知器并不能解决非线性问题，多层感知器由此而生。多层感知器是在一层单层感知器的基础，叠加一层单层感知器，从而解决非线性问题（例如异或问题）。

5. 误差的反向传播：对参数进行更新，实现对神经网络的学习过程。网络建立之后，数据从输入层进入，经过隐含层的调整，最后得到一个输出，与实际的输出相比较，就会产生一个误差。

   

6. 激活函数：用来加入非线性因素的，提高神经网络对模型的表达能力，解决线性模型所不能解决的问题。假设一个示例神经网络中仅包含线性卷积和全连接运算，那么该网络仅能够表达线性映射，即便增加网络的深度也依旧还是线性映射，难以有效建模实际环境中非线性分布的数据。

7. 

 

代码练习

图像处理基本练习

有个小问题：

 

 

 

 

 

这个问题我还在查。。

 

 

Image读出来的是PIL的类型，而skimage.io读出来的数据是numpy格式的

 

 

我在网上找到一个图像切割的实例 帮助理解。

 

分类问题线性模型

 1 learning_rate = 1e-3
 2 lambda_l2 = 1e-5
 3 
 4 # nn 包用来创建线性模型
 5 # 每一个线性模型都包含 weight 和 bias
 6 model = nn.Sequential(
 7     nn.Linear(D, H),
 8     nn.Linear(H, C)
 9 )
10 model.to(device) # 把模型放到GPU上
11 
12 # nn 包含多种不同的损失函数，这里使用的是交叉熵（cross entropy loss）损失函数
13 criterion = torch.nn.CrossEntropyLoss()
14 
15 # 这里使用 optim 包进行随机梯度下降(stochastic gradient descent)优化
16 optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate, weight_decay=lambda_l2)
17 
18 # 开始训练
19 for t in range(1000):
20     # 把数据输入模型，得到预测结果
21     y_pred = model(X)
22     # 计算损失和准确率
23     loss = criterion(y_pred, Y)
24     score, predicted = torch.max(y_pred, 1)
25     acc = (Y == predicted).sum().float() / len(Y)
26     print('[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f' % (t, loss.item(), acc))
27     display.clear_output(wait=True)
28 
29     # 反向传播前把梯度置 0 
30     optimizer.zero_grad()
31     # 反向传播优化 
32     loss.backward()
33     # 更新全部参数
34     optimizer.step()

 

分类问题（添加了Relu函数）

 1 learning_rate = 1e-3
 2 lambda_l2 = 1e-5
 3 
 4 # 这里可以看到，和上面模型不同的是，在两层之间加入了一个 ReLU 激活函数
 5 model = nn.Sequential(
 6     nn.Linear(D, H),
 7     nn.ReLU(),
 8     nn.Linear(H, C)
 9 )
10 model.to(device)
11 
12 # 下面的代码和之前是完全一样的，这里不过多叙述
13 criterion = torch.nn.CrossEntropyLoss()
14 optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=lambda_l2) # built-in L2
15 
16 # 训练模型，和之前的代码是完全一样的
17 for t in range(1000):
18     y_pred = model(X)
19     loss = criterion(y_pred, Y)
20     score, predicted = torch.max(y_pred, 1)
21     acc = ((Y == predicted).sum().float() / len(Y))
22     print("[EPOCH]: %i, [LOSS]: %.6f, [ACCURACY]: %.3f" % (t, loss.item(), acc))
23     display.clear_output(wait=True)
24     
25     # zero the gradients before running the backward pass.
26     optimizer.zero_grad()
27     # Backward pass to compute the gradient
28     loss.backward()
29     # Update params
30     optimizer.step()

 

 

回归问题结果

 

猫狗大战的代码，我运行了一下，按照老师说的把优化器换成Adam以后，效果的确有提高。尝试按照比赛的要求写输出，因为对python语言不是很熟悉，还存在一些问题。

 

本周除了完成以上深度学习的内容，还接着学习了吴恩达的机器学习课程，很多东西从基础讲起，很清晰。尤其是参数更新这一块，比以前了解得更深了。