从零基础成为深度学习高手——III
今天开始学习进阶的知识，有兴趣的您请继续阅读和学习：
深度学习之高手进阶
我们在进行深度学习的时候一般会按照这4个步骤进行。
获取数据
很大程度上，数据的多少决定模型所能达到的精度。再好的模型，没有足够数据，也是白瞎。
对于监督学习而言，需要大量标定的数据。
数据的获取是有成本的，尤其是我们需要的数据都是百万、千万量级的，成本非常高。亚马逊有个专门发布标定任务的平台，叫做Amazon Mechanical Turk. 很多大的数据，比如IMAGENET就是在这上面做label的。
Amazon从中抽取20%的费用，也就是说，需求方发布100美元的任务，得多交20美元给Amazon，躺着也挣钱。
由于数据的获取是有成本的，而且成本很高的。
所以我们需要以尽量低的价格去获得更多的数据，所以，在已经获得数据基础上，仅仅通过软件处理去扩展数据，就是非常重要的，常见的数据扩展的方法见下图。
数据预处理-归一化 为了更好的计算数据，避免出现太大或者太小的数据，从而出现计算溢出或者精度失真，一般在开始做数据处理之前，需要进行归一化处理，就是将像素保持在合理的范围内，如[0,1]或者[-1,1]。
模型搭建
除了上面提到的卷积神经网络之外，我们在搭建模型的时候，还需要一些其他层，最常见的是输出控制。
全连接层Fully-connected
全连接层，其字面意思就是将每个输入值和每个输出值都连接起来，全连接层的目的其实就是控制输出数量。
比如我们最终分类是有10类，那我们需要把输出控制为10个，那就需要一个全连接层来链接输出层。
softmax
我们用数值来表征其可能性大小，数值越大，其可能性越大，有的值可能很大，有的值可能很小，是负的。
怎么用概率来表征其可能性呢？总不能加起来一除吧，但是有负数怎么办呢？全连接之后，我们每个类别得到一个值，那怎么转化表征其可能性的概率呢？我们一般通过softmax来转化。
softmax的目的就是把数值转化给每个标签的概率，就是将最终各个值的得分，转化成各个输出值的概率。
独热编码 One-Hot Encoding
独热编码,又叫做一位有效编码 有多少标签，就转化为多少行的单列矩阵，其本质就是将连续值转化为离散值。
这样可以直接直接将输出值直接输出，得到一个唯一值。 就像一个筛子，只留一个最大值，其他全部筛掉。
我们以LeNet为例串起来看（见下图），输出值经过全连接层，转化为10个标签值，然后经过softmax和one-hot encoding，最终转化为唯一的识别标签值，就是我们想要的结果。
客观评价——交叉验证
讲完输出控制，我们再讲一下评价方法。 我们有一些数据，希望利用现有的数据去训练模型，同时利用这些数据去评价这个模型的好坏，也就是我们需要知道，这个模型的准确率是50%，还是90%，还是99%？
具体怎么去做呢？ 最先想到的是，用全部的数据去训练，然后评价的时候，从中抽取一定数量的样本去做验证。这不是很简单嘛？
但是，这样不行。 想像一下，在高考考场上，你打开试卷，看了一眼之后高兴坏了。因为你发现这些试题你之前做练习的时候都做过。 其实是一个道理。如果拿训练过的数据去做验证，那得到的误差率会比实际的误差率要低得多，也就失去了意义。 那怎么办呢？我们需要把训练数据和最终评价的数据（也就是验证数据）要分开。这样才能保证你验证的时候看的是全新的数据，才能保证得到的结果是客观可靠地结果。
所以我们会得到两个误差率，一个是训练集的误差率，一个是验证集的误差率，记住这两个误差率，后面会用到。
拿到数据的第一步，先把所有的数据随机分成两部分：训练集和验证集。一般而言，训练集占总数据的80%左右，验证集占20%左右。
训练的时候，随机从训练集中抽取一个批量的数据，去训练，也就是一次正向传播和一次反向传播。
这一轮做完之后，从验证集里随机抽取一定数量来评价下其误差率。 每做一轮学习，一次正向传播一次反向传播，就随机从验证集里抽取一定数量数据来评价其模型的准确率，一轮之后我们获得训练误差率和验证误差率。
接下来就是重点了，就是模型训练。
模型训练
实际训练模型的时候，我们会碰到两大终极难题，一个是欠拟合，一个是过拟合。
所谓欠拟合，就是训练误差率和验证误差率都很高。 所谓过拟合，就是训练集的误差率很低，但是验证集的误差率很高。
欠拟合和过拟合其实跟模型的复杂程度有很大的关系。
比如这张图里面，本来是抛物线的数据，如果用线性模型去拟合的话，效果很很差。如果用9次方模型去拟合的话，虽然训练集表现非常好，但是测试新数据的时候，你会发现表现很差。
欠拟合的原因其实比较简单，就是模型的深度不够，只需要把模型变得复杂一些就能解决。
过拟合的原因就比较多了，一般来说，简单粗暴的增加训练集的数量就能解决这个问题，但是有时候受限于客观条件，我们没有那么多数据。这时候我们就需要调整一些参数来解决过拟合的问题了。
模型中能调整的参数叫做超参数。
调整这些参数，有时候有道理，有时候又没有道理，更多的是靠的一种感觉。有人说，调整超参数与其说是个科学，其实更像是一项艺术。
常见的调整的超参数有以下几种，下面我们逐项介绍一下。
学习率
上面提到的随机梯度下降中，我们会在梯度的前面加一个系数，我们管它叫做学习率，这个参数直接影响了我们误差下降的快慢。
当我们遇到问题的时候，先尝试调整下学习率，说不定就能解决问题。
选择一个合适的学习率可能是困难的。学习率太小会导致收敛的速度很慢，学习率太大会妨碍收敛，导致损失函数在最小值附近波动甚至偏离最小值。下面这张图比较好的说明了学习率高低对模型误差下降的影响。
冲量Momentum
冲量的概念其实就是在梯度下降的时候，把上次的梯度乘以一个系数pho，加上本次计算的梯度，然后乘以学习率，作为本次下降用的梯度。pho一般选取0.9或者0.99。其本质就是加上了之前梯度下降的惯性在里面，所以叫做冲量。
有时候会采用冲量（momentum）能够有效的提高训练速度，并且也能够更好的消除SGD的噪音（相当于加了平均值），但是有个问题，就是容易冲过头了，不过总体来说，表现还是很不错的，一般用的也比较多。
下面这两张图也能看出来，SGD+冲量能够有效的加快优化速度，还能够避免随机的噪音。
轮数epochs
前面提到，一次正向传播，一次反向传播就是一轮，也就是一个epoch。
一般来说，轮数越多，其误差会越好，但是当学习的越多的时候，他会把一些不太关键的特征作为一些重要的判别标准，从而出现了过拟合。如果发现这种情况（下图），我们需要尽早停止学习。
参数初始化（weights initialization）
对于模型的所有参数，我们均随机进行初始化，但是初始化的时候我们一般会让其均值为0，公差为sigma，sigma一般选择比较大，这样其分散效果比较好，训练效果也比较好。
但是有时候仅仅调整超参数并不能解决过拟合的问题，这时候我们需要在模型上做一些文章，在模型上做一些处理，来避免过拟合。
Dropout
最常见的方法就是dropout. drop的逻辑非常简单粗暴，就是在dropout过程中，有一半的参数不参与运算。
比如说公司里，每天随机有一般人不来上班，为了正常运转，每个岗位都需要有好几个人来备份，这样公司就不会过于依赖某一个人，其实是一个道理。 dropout的本质是冗余。为了避免过拟合，我们需要额外增加很多冗余，使得其输出结果不依赖于某一个或几个特征。
Pooling池化
除此之外，池化也是比较常用到的。
Pooling主要的作用为降维，降维的同时能够保留主要特征，能够防止过拟合。 Pooling主要有两种：
一种是最大化Pooling，还有一中是平均池化。
最大池化就是把区域的最大值传递到下一层（见下图），平均池化就是把区域内的平均值传递到下一层。
一般在Pooling之后会加上一个1x1的卷积层，这样能够以非常低的成本（运算量），带来更多的参数，更深的深度，而且验证下来效果也非常好。
接下来我们可以分析下Lenet的数据，看的出来是卷积—>池化—>卷积—>池化—>平化（Flatten，将深度转化为维度）—>全连接—>全连接—>全连接。
下面这个模型也比较简单，经过多层卷积、池化之后，平化，然后经过softmax转化。
截止到目前，我们又了解了训练模型所需要的技巧，如获取数据、预处理数据、模型搭建和模型调试，重点了解了如何防止过拟合。
恭喜你，现在你已经完全了解了深度学习的全部思想，成功晋级成深度学习高手了~ 接下来我们看下深度学习的发展趋势。
深度学习发展趋势
目前深度学习在图像识别领域取得了很多突破，比如可以对一张图片多次筛选获取多个类别，并标注在图片上。
还可以进行图像分割。
在做图像分割标注的时候，难度很大，需要把每个类别的范围用像素级的精度画出来。这对标注者的素质要求很高。
还可以根据图像识别的结果直接生成语句。
Google翻译可以直接将图片上的字母翻译过来，显示在图片上，很厉害。
最近媒体上很多新闻，说人工智能可以作诗，写文章，画画等等，这也都是比较简单的。
但是当前图像识别领域还存在一些问题，最大的就是其抗干扰能力比较差。
下图中左侧的图片为原始图片，模型可以轻易识别，但是人工加上一些干扰之后，对于肉眼识别不会造成干扰，但是会引起模型的严重误判。
这种情况可能会在某些很重要的商业应用中带来一些风险，比如在自动驾驶的物体识别时，如果有人故意对摄像头造成干扰，就会引起误判，从而可能会引起严重后果。
深度学习在人脸检测应用使用也较多，尤其是现在的安防领域:
简单的人脸检测识别：
class="video_iframe" data-vidtype="2" allowfullscreen="" frameborder="0" data-ratio="1.7647058823529411" data-w="480" data-src="http://v.qq.com/iframe/player.html?vid=p1318af7zbn&width=670&height=376.875&auto=0" style="display: block; width: 670px !important; height: 376.875px !important;" width="670" height="376.875" data-vh="376.875" data-vw="670" src="http://v.qq.com/iframe/player.html?vid=p1318af7zbn&width=670&height=376.875&auto=0"/>
深度学习在自动驾驶领域有比较多的应用，下面是我做自动驾驶项目中的视频。
车辆识别：
class="video_iframe" data-vidtype="2" allowfullscreen="" frameborder="0" data-ratio="1.7647058823529411" data-w="480" data-src="http://v.qq.com/iframe/player.html?vid=j13295eyuae&width=670&height=376.875&auto=0" style="display: block; width: 670px !important; height: 376.875px !important;" width="670" height="376.875" data-vh="376.875" data-vw="670" src="http://v.qq.com/iframe/player.html?vid=j13295eyuae&width=670&height=376.875&auto=0"/>
下图为加特纳技术曲线，就是根据技术发展周期理论来分析新技术的发展周期曲线（从1995年开始每年均有报告），以便帮助人们判断某种新技术是否采用。其把技术成熟经过5个阶段：
萌芽期，人们对新技术产品和概念开始感知，并且表现出兴趣；
过热期，人们一拥而上，纷纷采用这种新技术，讨论这种新技术；
低谷期，又称幻想破灭期。过度的预期，严峻的现实，往往会把人们心理的一把火浇灭；
复苏期，又称恢复期。人们开始反思问题，并从实际出发考虑技术的价值。相比之前冷静不少；
成熟期，又称高原期。该技术已经成为一种平常。
最后分享一下学习资料：
Stanford CS231n课程：http://cs231n.stanford.edu/
MIT自动驾驶课程：https://selfdrivingcars.mit.edu/
Deep Learning书籍: http://deeplearningbook.org
Foundational papers: http://deeplearning.net/reading-list
快速上手 http://www.fast.ai/
图解机器学习 http://www.r2d3.us/visual-intro-to-machine-learning-part-1/
最后的最后，附上一个段子图，下排中间一脸虎视眈眈、苦大仇深、表情凝重的哥们，就是我们念叨的机器学习大神——Yann Lecun，目前是Facebook AI试验室的负责人。
最后，大家都看到这里了，请求大家关注下我们的公众号“计算机视觉战队”！
想获取本次分享的完整报告吗？ 关注公众号“计算机视觉战队”后，后台回复“人工智能”即可获得报告下载链接。