深度学习的工作原理&学习方式

14天学习训练营导师课程： 李立宗《讲给入门者的深度学习》

工作原理

以培育水稻为例，影响水稻生长的因素包括：施肥量、灌溉量、施肥时间、插秧密度等。

想要获得影响生长因素的各项参数的最优值，我们需要下很多功夫进行经年累月的实验和观察，才能够获得最优参数。而且通过实验结果，不断去迭代优化，获得最优值。

那么我们如何来构造一个系统呢？
首先先设定一个基本参数，让系统运行起来（例如设置施肥量、灌溉量等的初始值）；
观察结果如何，然后不断的修改参数（重复这个过程）；
达到目标（最优结果），保留参数；
系统可以不断的复用。

 反向传播：
1、网络初始化（随机初始化参数值）
2、前向反馈（网络试运行）
3、误差评估（评估结果满意度）
4、根据第3步的值调整参数
5、重复第3步、第4步

 神经网络工作的核心：
初始的参数值是随机的；
后续参数值的调整是非常科学的（严格的数学公式保证向着最优参数逼近）；
如何进行参数的调整，至关重要。

参数的重要性

立宗老师通过方阵选拔选手的例子，向我们参数了身高、体重的权重设置很关键，只要更改权重参数，那么我们获得的结果也大有不同，所以深度学习需要做的就是合理地分配参数的权重，只要把权重和数字配置合理，那么我们就能够将深度学习做的非常好，如果权重设置不正确，那么可能会让我们的偏差越来越大，甚至出现南辕北辙的情况。

学习方式

深度学习方法主要分为有监督和无监督两种方式。

有监督（数据+标签）

如果需要区分猫和狗，首先通过深度学习的方式知道猫和狗的特征（也就是让我们打标签），我们需要找来大量的图像，对他们进行标注。通过深度学习之后，对照他们的特点，从而判定它是猫还是狗。

 无监督（只有数据，无标签）

 直接将无标记的样本直接丢给电脑自己处理，电脑会将其分为类A和类B两组，现有我们可能没有办法做到，但是随着我们的学习深入是能够直接将两种特征分割开~

  有监督学习识别案例

通过定位的数值计算，获得数值结果，我们会发现距离1相对距离2更小，与我们识别的对象更加接近，所以最后我们能够获得识别的对象为8，而不是7

  有监督学习工作流程

   无监督学习识别案例

 直接由电脑对我们需要识别的内容进行分类，通过不断的迭代分类，不断优化，到最后迭代没有办法进行下去了，这个时候获得的就是分类结果

    无监督学习分类步骤：

以选取豆子为例：

第一步，随机选取两颗参考豆子

 第二步，计算每颗豆子的直径距离豆子A和豆子B的距离

 第三步，分别计算第一组豆子和第二组豆子的直径平均值，然后，将各个豆子按照与直径平均值 的距离大小划分分组。

 第四步，重复第三步，一直到分组稳定不发生变化，则认为分组完成。

 k均值聚类算法：
1、随机选取k个点作为分类的中心点；
2、将每个数据点放入到距离它最近的类别中心点所在类中（使用距离公式）；
3、重新计算各个分类数据点的平均值，将该平均值作为新的类中心点；
重复步骤2和3，直到分类稳定。

 以上就是针对深度学习的工作原理&学习方式的学习和笔记