深度学习介绍及反向传播机制#李宏毅机器学习Part4

目录

深度学习的发展：

发展历史

未来展望【待整理】

机器学习/深度学习的三步骤：

Step1：神经网络（Neural network）

1.前馈Feedforward

2.全连接Fully Connect

3.隐藏层

4.普遍性定理

Step2：模型评估（Goodness of function）

Step3：选择最优函数（Pick best function）

反向传播介绍

1.梯度传播

2.链式法则

3.参数正向传递

4.梯度反向传播

Keras实践

【待整理】:

ref

---

深度学习的发展：

发展历史

关于deep learning的历史：

• 1958: Perceptron (linear model)
• 1969: Perceptron has limitation
• 1980s: Multi-layer perceptron
  • Do not have significant difference from DNN today
• 1986: Backpropagation
  • Usually more than 3 hidden layers is not helpful
• 1989: 1 hidden layer is “good enough”, why deep?
• 2006: RBM initialization (breakthrough)
• 2009: GPU
• 2011: Start to be popular in speech recognition
• 2012: win ILSVRC image competition 感知机（Perceptron）非常像我们的逻辑回归（Logistics Regression）只不过是没有sigmoid激活函数。09年的GPU的发展是很关键的，使用GPU矩阵运算节省了很多的时间。

未来展望【待整理】

深度学习三巨头（Yoshua Bengio,Yann LeCun,Geoffrey Hinton）2021年在Communications of the ACM上发表关于深度学习的综述文章（Deep Learning for AI）。

Deep Learning for AI | July 2021 | Communications of the ACM

深度学习三巨头共同发文，聊聊深度学习的过去、现在与未来 - 知乎

机器学习/深度学习的三步骤：

Step1：神经网络（Neural network）

神经网络也可以有很多不同的连接方式，这样就会产生不同的结构（structure）在这个神经网络里面，我们有很多逻辑回归函数，其中每个逻辑回归都有自己的权重和自己的偏差，这些权重和偏差就是参数。 那这些神经元都是通过什么方式连接的呢？其实连接方式都是你手动去设计的。

1.前馈Feedforward

前馈（feedforward）也可以称为前向，从信号流向来理解就是输入信号进入网络后，信号流动是单向的，即信号从前一层流向后一层，一直到输出层，其中任意两层之间的连接并没有反馈（feedback），亦即信号没有从后一层又返回到前一层。

当输入0和0时，则得到0.51和0.85，所以一个神经网络如果权重和偏差都知道的话就可以看成一个函数，他的输入是一个向量，对应的输出也是一个向量。不论是做回归模型（linear model）还是逻辑回归（logistics regression）都是定义了一个函数集（function set）。我们可以给上面的结构的参数设置为不同的数，就是不同的函数（function）。这些可能的函数（function）结合起来就是一个函数集（function set）。这个时候你的函数集（function set）是比较大的，是以前的回归模型（linear model）等没有办法包含的函数（function），所以说深度学习（Deep Learning）能表达出以前所不能表达的情况。

2.全连接Fully Connect

相邻层之间的所有神经元都有连接。

Deep = Many hidden layer。随着层数变多，错误率降低，随之运算量增大，通常都是超过亿万级的计算。对于这样复杂的结构，我们一定不会一个一个的计算，对于亿万级的计算，使用loop循环效率很低。因此引入矩阵计算（Matrix Operation）以提高运算的速度及效率。

 

3.隐藏层

把隐藏层通过特征提取来替代原来的特征工程，这样在最后一个隐藏层输出的就是一组新的特征（相当于黑箱操作）而对于输出层，其实是把前面的隐藏层的输出当做输入（经过特征提取得到的一组最好的特征）然后通过一个多分类器（可以是softmax函数）得到最后的输出y。

 从上图看神经网络的结构决定了函数集（function set），所以说网络结构（network structured）很关键。

 网络结构确定问题：

• 多少层？ 每层有多少神经元？ 这个问我们需要用尝试加上直觉的方法来进行调试。对于有些机器学习相关的问题，我们一般用特征工程来提取特征，但是对于深度学习，我们只需要设计神经网络模型来进行就可以了。对于语音识别和影像识别，深度学习是个好的方法，因为特征工程提取特征并不容易。
• 结构可以自动确定吗？ 有很多设计方法可以让机器自动找到神经网络的结构的，比如进化人工神经网络（Evolutionary Artificial Neural Networks）但是这些方法并不是很普及 。
• 我们可以设计网络结构吗？ 可以的，比如 CNN卷积神经网络（Convolutional Neural Network ）

 网络层数的影响：网络越深，拟合性能越好。

4.普遍性定理

虽然网络层数越多，能够拟合的参数性能越复杂。但存在一个通用的理论： 对于任何一个连续的函数，都可以用具有足够多神经元数量的一层隐藏层网络来表示。

Step2：模型评估（Goodness of function）

对于模型的评估，我们一般采用损失函数来反应模型的好差，所以对于神经网络来说，我们采用交叉熵（cross entropy）函数来对预测值和标签值的损失进行计算，接下来我们就是调整参数，让交叉熵越小越好。

 对于损失，我们不单单要计算一笔数据的，而是要计算整体所有训练数据的损失，然后把所有的训练数据的损失都加起来，得到一个总体损失L。接下来就是在function set里面找到一组函数能最小化这个总体损失L，或者是找一组神经网络的参数θ\thetaθ，来最小化总体损失L。

Step3：选择最优函数（Pick best function）

运用梯度下降方法来优化参数和函数。具体流程：θ是一组包含权重和偏差的参数集合，随机找一个初试值，接下来计算一下每个参数对应偏微分，得到的一个偏微分的集合∇L就是梯度,有了这些偏微分，我们就可以不断更新梯度得到新的参数，这样不断反复进行，就能得到一组最好的参数使得损失函数的值最小。

 在神经网络中计算损失最好的方法就是反向传播，我们可以用很多框架来进行计算损失，比如说TensorFlow，theano，Pytorch等等

反向传播介绍

待继续整理

LeeML-Notes

1.梯度传播

2.链式法则

3.参数正向传递

4.梯度反向传播

Keras实践

LeeML-Notes

【待整理】:

反向传播与梯度下降

ref

1. LeeML-Notes-P13：深度学习简介
2. LeeML-Notes-P14：反向传播
3. LeeML-Notes-P15：深度学习初试（Keras）