深度学习入门(第一天)——深度学习必备知识点

一、深度学习要解决的问题

深度学习入门(第一天)——深度学习必备知识点_第1张图片

人工智能、机器学习、深度学习的区别于联系

机器学习的流程:

  • 数据提取

  • 特征工程

  • 建立模型

  • 评估与应用

特征工程可以说是建模过程中,最重要的部分。

既然特征工程是最重要的,常规我们会做各种各样的特征,如聚合统计、交叉等,那有没有一种方法,它可以自动的去选择重要的特征。

而深度学习可以说是最接近人工智能这一概念的,因为它解决了机器学习中“人工的”问题,如人工的选择特征、选择算法等。

深度学习最大的亮点,就是解决特征工程的人工问题。

特征工程的作用:

  • 数据特征决定了模型的上限

  • 预处理和特征提取是最核心的

  • 算法与参数选择决定了如何逼近这个上限

特征如何提取,数值类的相对容易,那么文本类、图像类的呢?

传统特征提取方法:

深度学习入门(第一天)——深度学习必备知识点_第2张图片

各种计算可以说是非常麻烦的。

为什么需要深度学习:

深度学习入门(第一天)——深度学习必备知识点_第3张图片

如上图,将一个图像,分解成多个维度并变换成数值,变成机器可认识的。

二、深度学习应用领域

自动驾驶:

深度学习入门(第一天)——深度学习必备知识点_第4张图片

人脸识别:

深度学习入门(第一天)——深度学习必备知识点_第5张图片

医学检测:

深度学习入门(第一天)——深度学习必备知识点_第6张图片

缺点:计算大量数据导致速度慢。

数据规模越大,越适合深度学习

深度学习入门(第一天)——深度学习必备知识点_第7张图片

三、计算机视觉任务

如图像分类任务,如何把一张猫的图片,分到猫的类别(有一些列的标签:人、笔、飞机、猫 等等)

图像表示:计算机眼中的图像,一张图片被表示成三维数组的形式,每个像素的值从0到255。

深度学习入门(第一天)——深度学习必备知识点_第8张图片

可能的维度是300*100*3,假设高度h是300,宽度w是100,3则是颜色通道RBG。图像中数值越大表示该点越亮,反之则越暗。

1.计算机视觉面临的挑战

还是上面这张图,如照射角度:

深度学习入门(第一天)——深度学习必备知识点_第9张图片

其形状可能改变成如下的样子:

深度学习入门(第一天)——深度学习必备知识点_第10张图片

或者部分遮蔽:

深度学习入门(第一天)——深度学习必备知识点_第11张图片

背景混入:

深度学习入门(第一天)——深度学习必备知识点_第12张图片

这些都是可能遇到得问题,如何解决可以给一些遮蔽的样本,这些都是数据量可以解决的。

2.得分函数

线性函数

  • 从输入——>输出的映射

    每个像素点对结果产生影响,而每个像素点有对应的权重。

  • 数学表示

    32*32*3=3072个X(像素点),假设需要分类的类别一共有10个,那么这3072个X在这10个W(类别)中有着不同的权重得分,还有b偏值项,最终最高 得分 的就是预测的分类。

  • 计算方法

    深度学习入门(第一天)——深度学习必备知识点_第13张图片

    为了计算简单,假设这种猫只有4个像素点,分别是56、231、24、2,分成3个类别(猫、狗、船),其中W有3行对应3个类别,且Xi有4个值对应4个像素点,我们来计算第一行,W*X+b = 0.2*56+(-0.5)*231+0.1*24+2.0*2+1.1 = -97.9+1.1 = -96.8,这样就得到了结果。

    当权重Wi比较大时,说明该像素点对结果的影响比较重要,正值代表促进作用,负值代表抑制作用。

    • W矩阵怎么来的:一开始是假设了一个,然后根据结果不断优化,就像上面的预测是把猫预测成了狗437.9,那么神经网络会不断迭代W矩阵中的值。

    现在我们知道上面的结果不够好,那么我们应该怎样让它变好。

3.损失函数

  • 如何衡量分类的结果

  • 怎么明确模型当前的效果是好是坏。

(1)其中一种损失函数(回归任务):

实验:

深度学习入门(第一天)——深度学习必备知识点_第14张图片

假设我们运行完模型,得到上面这么个结果,第一张图评定为猫3.2为车5.1明显不合理,如果利用上面的公式,就是5.1-3.2=1.9,值越大表明预测越离谱,小于0则表示没有误差。

而+1是为了防止一种情况是,如果预测的car不是5.1而是3.15,那么3.15-3.2也小于0,但是能明确的说预测没问题吗?或许不能吧,因为只有一点偏差可能是“刚刚好”预测对了,那么+1就可以防止这种情况,预测对的值一定要远大于预测错的值。

计算:

cat = max(0, 5.1 - 3.2 + 1) + max(0, -1.7 - 3.2 + 1)

= max(0, 2.9) + max(0, -3.9)

= 2.9 + 0 = 2.9

max(0, x)的意思是x大于0取x,小于0则取0

car = max(0, 1.3 - 4.9 + 1) + max(0, 2.0 - 4.9 + 1)

= max(0, -2.6) + max(0, -1.9)

= 0 + 0 = 0

frog = max(0, 2.2 - (-3.1) + 1) + max(0, 2.5 - (-3.1) + 1)

= max(0, 5.3) + max(0, 5.6)

= 5.3 + 5.6 = 10.9

其中car预测最好,frog的预测最差

损失函数的值相同,意味着两个模型一样吗?

  • 还是这个公式:

  • 输入数据:X = [1, 1, 1, 1]

    • 模型A:w1 = [1, 0, 0, 0]

    • 模型B:w2 = [0.25, 0.25, 0.25, 0.25]

  • 两者的结果都等于1,那两者的可以说一样吗?是不是模型B的W更可靠。那么损失函数还得加入一个东西

损失函数 = 数据损失 + 正则化惩罚项

  • 正则化惩罚项:

  • 正则化惩罚项关注权重w,w越大则该公式的结果越大,我们希望模型不要太复杂,过拟合的模型是没用的。往往还有个 λ 。

回归任务的解决了,还有分类任务的。

(2)Softmax分类器(分类任务)

  • 归一化:

    where

  • 计算损失值:

举例:

深度学习入门(第一天)——深度学习必备知识点_第15张图片

其中3.2exp表示e^3.2=24.5,24.5normalize表示24.5 / (24.5+164+0.18) = 0.13,这就是概率,同时我们再做-log(0.13)可以得到0.89这个损失值,log(1)的时候为0,即没有损失,表示概率值越接近于1损失的越少。

这些都是前向传播,一步步的得到损失值,那么如何以损失值来更新W更新模型呢,这就是反向传播。

你可能感兴趣的:(深度学习入门,深度学习,人工智能)