人工智能、机器学习与深度学习

1 人工智能 Artificial Intelligence

*达特茅斯学院 - 1956 -
一门交叉学科，涉及数学、计算机科学、控制论、信息论、心理学、哲学等学科的边缘学科

2 机器学习

*卡耐基梅隆大学-1997 -

如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则这个程序可以从经验中学习
机器学习的传统算法包括决策树学习、推到逻辑规划、聚类、分类、回归、贝叶斯网络、神经网络

3 深度学习

深度学习系统是输入层，隐层，输出层的多层网络
深度学习不是万能的，像很多方法一样，他需要结合特定领域的先验知识

深度学习是大脑，机器学习是脑壳，人工智能就是四肢

深度学习的发展历程

1 神经网络的第一次高潮

1957-Frank-感知机

2 神经网络的第一次寒冬

1969-Marvin 能力有限只能分析线性问题，对于异或问题束手无策-多层感知机

3 神经网路的第二次高潮

1986-BP算法(反向传播算法)-自然杂志

4 神经网络的第二次寒冬

1989-卷积神经网络(CNN) -梯度爆炸问题
1998-SVM算法(支持向量机)贝尔实验室

5 深度学习的来临

⚠️《A Fast Learning Algorithm for Deep Belif Nets》

深度学习崛起的时代背景

算法有了，计算性能提升了，数据也有了

深度学习的应用场景

图像与视觉

ImageNet 比赛 2013年
人脸识别
以图搜图

语音识别

2009年高斯混合模型(GMM)被击败，语音识别领域首次成功
2016年百度语音识别准确率高达97%

自然语言处理

情感分析
文本生成
语言翻译
聊天机器人

个性化推荐

CTR（Click-Through-Rate）点击通过率

常见的深度学习网络结构

全连接网络结构 FC FullConnected

卷积神经网络 CNN Convolutional nutrual Netwwork

循环神经网络 Recurrent Netural Network

机器学习回顾

输入数据-> 机器学习方法 -> 估计函数
新数据 ->估计函数 ->预测结果

线性回归的基本概念

什么是线性回归

存在一个点集，用一条曲线去拟合它的过程。如果拟合曲线是直线，就是线性回归，如果是曲线就是二次回归

基本概念：
假设函数(Hypothesis Function),用数学方法描述自变量和因变量之间的为一种函数关系
损失函数(Loss Function )，用数学方法描述假设函数的预测值和真实值之间的误差。均方差⚠️（Mean Squared Error）一种损失函数，交叉熵⚠️也是
优化算法(Optimization Algorithm)

数据处理
1 选取有用的维度
2 是否处理离散值
3 归一化（Mormalization)把各维的属性的取值范围放缩的差不多的区间：减掉均值，然后除以原值取范围

进行归一化的原因：1 ) 过大或者过小的数值范围会导致计算时的浮点上溢或者下溢出；2 ）不同的数值范围会导致不同属性对模型的重要性不同（至少在初始阶段如此），而这个假设常常不合理的。这回对优化过程造成困难，使得使用时间大大加长；3 ）很多机器学习技巧/模型（L1，L2正则项，向量空间模型-Vector Space）都基于这样的假设：所有的属性取汁差不多都是以0为均值切取值范围是相近的

4 分割数据考虑的因素：更多的训练数据会降低参数估计的方差，从而得倒更可信的模型，而更多的测试数据会降低测试误差的方差，从而得到更可信的测试误差
5 验证集：仅针对复杂模型，因为有很多超参数（Hyperparameter）要调整

模型概览（房价预测）
效果展示（房价预测）

深度学习框架介绍

深度学习框架的作用

简化计算图的搭建
计算图（computional gragh）-本质上是一个有向无环图，结点代表函数，边代表函数操作
简化偏导计算
高效运行

常见的深度学习框架

PaddlePaddle 简介

PaddlePaddle是百度开源的，易学易用的分布式深度学习平台

PaddlePaddle 使用

docker 安装

mkdir ~/workspace
cd ~/workspace
touch housing.py

编辑 housing.py

import paddle.v2 as paddle

# 初始化
paddle.init(use_gpu=False,trainer_count=1)
# Configure the natural network
x = paddle.layer.data(name='x',type=paddle.data_type.dense_vector(13))
y_predict = paddle.layer.fc(input=x,size=1,act=paddle.activation.Linear())

with open('/workspace/fit_a_line.tar',r) as f:
      parpameters = paddle.parameters.Parameters.from_tar(f)
# Infer using provided test data
probs = paddle.infer(
           output_layer = y_predict,parameters = parameters,
            input=[item for item in paddle.dateset.uci_housing.test()()])

for i in xrange(len(probs)):
      print 'Predicted price: ${:,.2f}'.format(probs[I][0] * 1000)

运行housing.py

docker run --rm -v ～/workspace:/workspace paddle paddle/paddle:latest python /workspace/housing.py

房价模型连接
[百度备用]

pip 安装

pip install paddlepaddle

import paddle.v2 as paddle
# initialize PaddlePaddle
paddle.init(use_gpu=False,trainer_count=1)
# Configure the neural network
x = paddl.layer.data(name='x',type=paddle_type.dense_vector(13))
y_predict = paddle.layer.fc(input=x ,size = 1,act = paddle.activation.Linear())
with open('fit_a_line.tar','r') as f:
      parameters = paddle.parameters.Parameters.from_tar(f)

# infer using provided test data
probs = paddle.infer(
              output_layer=y_predict,parmeters=parameters,
              input=[item for item in paddle.dataset.uci_housing.test()()])
for i in xrange(len(probs)):
      print 'Predicted price:${:,.2f}'.fromat{probs[I][0] * 1000}

PaddlePaddle 实现

加载包

import matplotlib
matplotlib.use{'Agg'}

import matplotlib.predict as pat
import numpy as np

import paddle.v2 as paddle

数据处理

#  1 dataset 初始化
TRAIN_DATA = None
X_RAW = None
TEST_DATA = None

#  2 数据载入
def load_data(filename, feature_num=2,ratio=0.8):
"""
载入数据并进行处理
Args:
      Filename:数据储存文件，从该文件读取数据
      feature_num:数据特征数量
      ratio 训练集占总数据集比例
"""
global TRAIN_DATA，TEST_DATA，X_RAW
# data = np.loadtxt() 表示将数据载入后以矩阵或向量的形式存储在data中
# delimiter = ',' 表示以','为分隔符
data = np.loadtxt(filename,delimiter=',')
X_RAW = data.T[0].copy()

# axis= 0 表示按列计算
# data.shape[0] 表示data中一共有多少列
maximums,minimums,avgs =data.max(axis=0),data.min(axis=0),data.sum(axis=0)/data.shape[0]

# 归一化 data[:i] 表示第i列元素
for i in xrange(feature_num-1)
        data[:i]  = (data[: i]  - aves[I])/(maximums[i] - minmums[i])
      
# offset 用于划分训练数据集和测试数据集，例如0.8表示训练数据集占80%
offset = int(data.shape[0]*ratio)
TRAIN_DATA = data[:offset].copy
TEST_DATA= data[offset:].copy

#  3 读取训练数据 和读取测试数据
"""
读取训练数据或测试数据，服务于train()和test()
Args:
    data_set: 要获取的数据集
Return：
    reader:用于获取训练数据集及其标签的生成器
"""
def reader()
      """
      一个reader
      Args：
      return：
                data[:-1],data[-1:] --使用yield 返回生成器
                data[:-1]表示前n-1个元素，也就是训练数据，data[-1:1]表示最后一个元素，也就是对应的标签
      """
      for data in data_set:
            yield data[:-1],data[-1:]
return reader

# 4 获取训练数据集
def train():
    """
    定义一个reader 来获取训练数据集及其标签
    Args：
    Return：
        read_data --用于获取训练数据集及其标签的reader
    """
global TRAIN_DATA
load_data('data.txt')
return read_data(TRAIN_DATA)

# 5  获取测试数据集
def test():
"""
定义一个reader 来获取测试数据集及其标签
Args:
Return:
    read_data -- 用于获取测试数据集及其标签的reader
"""
global TEST_DATA
load_data('data.txt')
return read_data(TEST_DATA)

搭建神经网络

# 1 配置网络结构
def network_config():
"""
配置网络结构
Args：
Retrun:
        cost：
        parameter:模型参数
        optimizer:优化器
        feeeding:数据映射，python 字典
"""
# 输入层 paddle.layer.data 表示数据层，name='x':名称为x_input,
# type=paddle.data_type.dense_vector(1):数据类型为1维稠密向量
x_input = paddle.layer.data(name='x',
               type=paddle.data_type.dense_vector(1))
# 输出层：paddle.layer.fc 表示全链接层 ，input=x_input 表示该层输入数据层
# size =1:神经元个数，act=paddle.activation.Linear(): 激活函数为Linear()
# 标签数据，paddle.layer.data 表示数据层，name='y':名称为y
y_label = paddle.layer.data(name='y',type=paddle.data_type.dense_vector(1))

# 定义成本函数为均方差损失函数 square_error_cost
cost = paddle.layer.square_error_cost(input=y_predict,label=y_label)

# 利用cost 创建parameters
parameters = paddle.parameters.create(cost)

# 创建optimizer，并且初始化momentum，momentum=0 位普通的SGD 优化算法
optimizer = paddle.optimizer.Momentum(momnetum=0)

# 数据层和数组索引映射，用于trainer 训练时喂数据
feeding = {'x':0,'y':1}
result = [cost,parameter,optimizer,feeding]
return result

初始化 PaddlePaddle

# 初始化 use_gpu=False 表示不用GPU
def main():
      # init
      paddle.init(use_gpu=False,trainer_count=1)

训练模型

# 1 配置网络结构和设置参数
cost，parameters，optimizer，feeding = network_config()

# 2 记录成本
costs = []

# 3 创建 训练 trainer
traniner = paddle.trainer.SGD(cost=cost,parameters =parameters,update_equation =optimizer )

# 4 定义事件处理器，打印训练进度

def event_handler(event):
    """
    事件处理器，可以根据训练过程的信息作相应操作
    Args：
        Event:事件对象，包含event.pass_id,event.batch_id,event.cost等信息
    """
    if isinstance(event, paddle.event.EndIteration):
          if event.pass_id % 100 = 0:
                print "Pass %d,Batch %d,Cost %f"  % (
                    event.pass_id,event.batch_id,event.cost)
               costs.append(event.cost)
               )
   if isinstance(event, paddle.event.EndPass):
        result = trainer.test(
                      reader=paddle.batch(test(),batch_size=2),
                      feeding=feeding)
       print "Test %d,Cost %f" % (event.pass_id,result.cost) 
        )

# 5 模型训练
# training
trainer.train(
reder=paddle.batch(
        paddle.reader.shuffle(train(),but_size=500),
        batch_size=256),
        feeding=feeding,
        event_handler=event_handler,
        num_passes = 300)

# 6 打印结果
print_parameters(parameters)

# 7 展示学习曲线
plot_cost(costs)

预测房价

# 1 参数打印 page 57
def print_parameters(parameters):
      """
          打印训练结果的参数以及测试结果
          Args：
                  Parameters：训练结果的参数
          Return：
      """
      print   " Result parameters as below"
      
      theta_a = parateters.get('____fc_layer_0__.w0')[0]
      theta_b = parameters.get('___fc_layer_0_.wbias')[0]
      
      x_0 = X_RAW[0]
      y_0 = theta_a * TRAIN_DATA[0][0] + theta_b

      x_1 = X_RAW[1]
      y_1 =theta_a *TRAIN_DATA[1][0] + theta_b

      param_a = (y_0 - y_1) / (x_0 - x_1)
      param_b = (y_1 - param_a * x_1)
      print 'a = ',param_a
      print 'b = ',param_b

# 2 展示模型训练曲线 page 58
def_plot_costs(costs):
      """
      利用 costs 展示模型的训练曲线
      Args: 
            Cost: 记录了训练过程的cost变化的list，每一百次迭代记录一次
      Return:
      """
      costs = np.squeeze(costs)
      plt.plot(costs)
      plt.ylabel('cost')
      plt.xlabel('iterations(per hundreds)')
      plt.title("house Price Distributions")
      plt.show()
      plt.savefig("cost.png")

# 3 开始预测 page 58
if __name__ == '__main__':
       main()

数据可视化

# 绘图 page 59
import numpy as np
import matplotlib.pyplot as plt

def plot_data(data, a,b):
       x = data[:,0]
       y = data[:,1]
       y_predict = x*a + b;
       plt.scatter(x,y,marker='.',c='r',label='True')
       plt.title("House Price Distributions")
       plt.xlabel('House Area')
       plt.ylael('House Proce')
       plt.xlim(0,255)      
       plt.ylim(0,2500)
       predict = plt.plot(x,y_predict,lable='Preidict')
       plt.legend(loc='upper left')
       plt.savefig('result.png')
       plt.show()
       
data = np.loadtxt('data.txt',delimiter=',')
X_RAW = data.T[0].copy()
plot_data(data,7.1,-62.1)

学习笔记-第二章深度学习概论与PaddlePaddle入门

人工智能、机器学习与深度学习

1 人工智能 Artificial Intelligence

2 机器学习

3 深度学习

深度学习的发展历程

1 神经网络的第一次高潮

2 神经网络的第一次寒冬

3 神经网路的第二次高潮

4 神经网络的第二次寒冬

5 深度学习的来临

深度学习崛起的时代背景

深度学习的应用场景

图像与视觉

语音识别

自然语言处理

个性化推荐

常见的深度学习网络结构

全连接网络结构 FC FullConnected

卷积神经网络 CNN Convolutional nutrual Netwwork

循环神经网络 Recurrent Netural Network

机器学习回顾

线性回归的基本概念

深度学习框架介绍

深度学习框架的作用

常见的深度学习框架

PaddlePaddle 简介

PaddlePaddle 使用

PaddlePaddle 实现

你可能感兴趣的:(学习笔记-第二章深度学习概论与PaddlePaddle入门)

学习笔记-第二章 深度学习概论与PaddlePaddle入门

人工智能、机器学习与深度学习

1 人工智能 Artificial Intelligence

2 机器学习

3 深度学习

深度学习的发展历程

1 神经网络的第一次高潮

2 神经网络的第一次寒冬

3 神经网路的第二次高潮

4 神经网络的第二次寒冬

5 深度学习的来临

深度学习崛起的时代背景

深度学习的应用场景

图像与视觉

语音识别

自然语言处理

个性化推荐

常见的深度学习网络结构

全连接网络结构 FC FullConnected

卷积神经网络 CNN Convolutional nutrual Netwwork

循环神经网络 Recurrent Netural Network

机器学习回顾

线性回归的基本概念

深度学习框架介绍

深度学习框架的作用

常见的深度学习框架

PaddlePaddle 简介

PaddlePaddle 使用

PaddlePaddle 实现

你可能感兴趣的:(学习笔记-第二章 深度学习概论与PaddlePaddle入门)

学习笔记-第二章深度学习概论与PaddlePaddle入门

你可能感兴趣的:(学习笔记-第二章深度学习概论与PaddlePaddle入门)