Python深度学习入门笔记 5

Python深度学习入门笔记 5

这一部分，我们介绍一下深度学习的一些性质特点，发展状况和未来方向等。这一部分没有什么具体的技术细节，也没有代码实现，只是作为后续进一步学习的简单前瞻。

1.加深网络

加深网络成层数的好处：

1. 减少网络的参数数量。与没有加深层的网络相比，加深了层的网络可以用更少的参数达到同等水平（或者更强）的表现力。例如下面使用两次3 × 3的卷积运算可以达到一次5 × 5的卷积运算的效果。斌给它们的参数数量分别是18（2*3*3）和25（5*5)。 叠加小型滤波器来加深网络的好处是可以减少参数的数量，扩大感受野（receptive field，给神经元施加变化的某个局部空间区域）。并且，通过叠加层，将ReLU等激活函数夹在卷积层的中间，进一步提高了网络的表现力。这是因为向网络添加了基于激活函数的“非线性”表现力，通过非线性函数的叠加，可以表现更加复杂的东西。
2. 使学习更加高效。与没有加深层的网络相比，通过加深层，可以减少学习数据，从而高效地进行学习。
3. 分层次地传递信息。就如上一部分最后提到的”第1层的神经元对边缘或斑块有响应，第3层对纹理有响应····“也就是说，通过加深层，可以将各层要学习的问题分解成容易解决的简单问题，从而可以进行高效的学习。

不过，对于像手写数字识别这样一个比较简单的任务，就没有必要使用太多的层。

---

2.深度学习的小历史

一般认为，现在深度学习之所以受到大量关注，其契机是2012年举办的大规模图像识别大赛ILSVRC（ImageNet Large Scale Visual Recognition Challenge）。在那年的比赛中，基于深度学习的方法（通称AlexNet）以压倒性的优势胜出，彻底颠覆了以往的图像识别方法。

VGG

VGG是由卷积层和池化层构成的基础的CNN。它的特点在于将有权重的层（卷积层或者全连接层）叠加至16层（或者19层），具备了深度。

VGG中需要注意的地方是，基于3×3的小型滤波器的卷积层的运算是连续进行的。如下图所示，重复进行“卷积层重叠2次到4次，再通过池化层将大小减半”的处理，最后经由全连接层输出结果。

GoogLeNet

GoogLeNet的网络结构如下图所示，图中的矩形表示卷积层、池化层等。

从图中可以看出，GoogLeNet的特征是，网络不仅在纵向上有深度，在横向上也有深度（广度）。GoogLeNet在横向上有“宽度”，这称为**“Inception结构”**。

ResNet

它的特征在于具有比以前的网络更深的结构。

在深度学习中，虽然加深层对于性能提升很重要，但过度加深层的话，很多情况下学习将不能顺利进行，导致最终性能不佳。ResNet中，为了解决这类问题，导入了“快捷结构”（也称为“捷径”或“小路”）。导入这个快捷结构后，就可以随着层的加深而不断提高性能了（当然，层的加深也是有限度的）。

---

3.深度学习的高速化

3.1基于GPU的高速化

由于GPU 可以高速地进行并行数值计算，因此GPU计算的目标就是将这种压倒性的计算能力用于各种用途。深度学习中需要进行大量的乘积累加运算（或者大型矩阵的乘积运算）这种大量的并行运算正是GPU所擅长的。

3.2分布式学习

为了进一步提高深度学习所需的计算的速度，可以考虑在多个GPU或者多台机器上进行分布式计算。

3.3运算精度的位数缩减

深度学习并不那么需要数值精度的位数。这是神经网络的一个重要性质。这个性质是基于神经网络的健壮性而产生的。这里所说的健壮性是指，比如，即便输入图像附有一些小的噪声，输出结果也仍然保持不变。

在深度学习中，即便是16位的半精度浮点数，也可以顺利地进行学习。

---

4.其他

4.1强化学习

强化学习的基本框架是，代理（Agent）根据环境选择行动，然后通过这个行动改变环境。根据环境的变化，代理获得某种报酬。强化学习的目的是决定代理的行动方针，以获得更好的报酬。

简单来说就是有一个奖惩措施，“督促”着代理做出适应当前环境的选择。

4.2GAN生成对抗网络

其技术要点是使用了Generator（生成者）和 Discriminator（识别者）这两个神经网络。以图像生成和识别为例，Generator 生成近似真品的图像，Discriminator判别它是不是真图像（是Generator生成的图像还是实际拍摄的图像）。像这样，通过让两者以竞争的方式学习，Generator会学习到更加精妙的图像作假技术，Discriminator则会成长为能以更高精度辨别真假的鉴定师。

4.3迁移学习

将学习完的权重（的一部分）复制到其他神经网络，进行再学习（fine tuning）。迁移学习在手头数据集较少时非常有效。

4.4Data Augmentation 数据扩充

Data Augmentation基于算法“人为地”扩充输入图像（训练图像）。具体地说，如下图所示，对于输入图像，通过施加旋转、垂直或水平方向上的移动等微小变化，增加图像的数量。这在数据集的图像数量有限时尤其有效。