AI学习[随堂笔记1111]_深度神经网络DNN/FCNN/MLP

深度神经网络

深度神经网络(Deep Neural Network)是人工智能领域中，机器学习这一大类下，使用多层(深层)感知机来构建的一种人工智能模型
也叫全连接神经网络(Full Connect Neural Network)

从三部分来理解
①深度：指构成模型的 层数 很深(规模很大)
②神经：指构成模型的基本单元为感知机——一种对生物神经元进行仿生得出的线性函数
③网络：指连接各个单元的方式是，每个感知机都与所有感知机连接，即“全连接”

深度神经网络有以下特征：

1. 以 感知机 作为基本单元
2. 以全连接的形式将其连接
3. 在输出时使用激活函数线性化
4. 感知机的规模庞大（深度很高）

———————————————————————————————

构成的基本单元——全连接与感知机：

对神经元进行仿生得到的一种线性函数，基本形态为

wX+b

其中X为自变量，w、b为权重
在实际使用时，会将上一层输出的结果∑求和，作为自变量X进行计算，是一种"多入单出"结构
由其表达式可得，每个感知机为线性函数

对全连接概念的图解：

———————————————————————————————

对输出的处理——激活函数：

由网络中一层层感知机线性计算的结果，最终得到同样 线性 的多个输出值
但线性的值无法解决非线性的实际问题，所以需要激活函数来将输出转化为非线性值

激活函数本质是复合函数之间的一种连接方式
在神经网络中，激活函数会在多层感知机计算完毕后，将 线性结果 转化为非线性结果的一种函数
非线性结果才能被用户、损失函数使用

而根据实际问题不同(分类/回归问题)对激活函数的选择也会不同
如值域为0~1，适合解决概率问题(分类问题)的Sigmoid、softMax激活函数
和值域为0~+∞，适合解决求值问题(回归问题)的Re_lu激活函数
———————————————————————————————

实际训练模型的过程——前向传播&反向传播：

过程介绍：
感知机 通过全连接，计算之后，得到一个输出值，即为前向传播
这个输出值一开始可能完全是错的，也和输入没有直接关系
和提供的 样本值 对比后，发现确实错的离谱(损失很大)

于是模型会通过反向传播(BP算法)，修改自己的每个w、b值
可能修改之后还是错的(有损失)，但“错的比上次少一些”(即梯度下降，损失与权重的导数在下降)，这就代表现在更改权重的方向是对的

重复上述流程
直到“不怎么出大错了”(即梯度变化很小，损失也要很小)
就可以正式输出了

注意：前向传播与反向转播是密不可分的，这两种传播必须同时存在，模型才能正常运行

激活函数——Sigmoid

特点：不是真正的概率输出，只是置信度，总和不为"1"，适合单分类问题
图像：

优点：
输出结果为0-1，与概率的区间一致，适合解决单分类问题
单入-多出的构造，接近生物神经元
——————
缺点：
梯度消失：即训练中会出现长久训练后，再怎么训练，都不再出现“无限接近正确值”(梯度下降)
最大缺点：
由于sigmoid曲线的特性——最大变化率的区间很小——在模型训练中，会很快发生梯度消失

激活函数——softMax

softmax函数是一个非线性的无界函数，它将实值输入映射到0到1之间的输出，每个输入向量的总和为1

特点：归一化指数函数，输出概率总和为一，适合多分类问题
公式为：
当前输入的指数
————————
所有∑输入的指数

softMax效果展示（注意输出的概率值为1）：

sigmoid与softMax对比：
优点：
①输出值为真实概率，总和为一，相比于sigmoid，更适合多分类问题
②由于加入了指数部分，Softmax函数能够将差距小的数值距离拉的更大，易于模型自我对比
缺点：
①但在传入值特别大时，由于指数放大效应，会比较容易数值溢出
——————————————————————————————————————————————————

小概念：独热（one hot/一位有效编码）

在分类问题中，意为用0、1来表示唯一的正确标准答案
如三种动物识别，猫、狗、猪
在任意一张图片的正确结果中，只有一个作为正确答案
如
[1,0,0]代表此图片正确答案为“猫”

在分类问题中的使用如下图：

小概念：全连接的本质

本质是矩阵相乘！因为其过程可简化为：
[输入：6]、……、[6：输出] == [输入、输出]

和矩阵相乘的形式类似

小概念：全连接的几种缩写，其实含义类似

FCNN:全连接神经网络
MLP:多层感知机
DNN:深度神经网络

小概念：深度学习框架

tensorflow：语法晦涩
pytorch：语法与numpy类似，上手简单，源自Facebook
mindspore：源自华为

小概念：归一化

统一量纲，把数值压缩为0-1之间的值的过程
具体操作：值 / 可能的最大值
还原：归一化值 * 可能的最大值
还原过程可能有一定的损失

小概念：n、whc格式

用于向模型传输视频的一种张量格式，各个维度为[帧位置(批次)、宽、高、通道]

小概念：线性/非线性简单理解

1次都是“线性”
2次以上（2,3,4,5）都是“非线性”

小概念：机器学习

机器学习：挖掘数据中规律的学科、靠人工提取特征
深度学习：神经网络提取特征

小概念：强化学习

强化学习（最新的一门学科）：在无标签的基础上，用于决策的，更新数据、更新模型的机器学习算法

小概念：人工智能、机器学习、深度学习、强化学习的关系

人工智能 包含 机器学习、
____________机器学习 包含 深度学习
________________________深度学习 包含 强化学习