1. 首页
  2. 机器学习

深度学习

深度学习是统计机器学习技术的集合,用于基于人工神经网络的概念来学习特征层次结构。”

深度学习

人工智能

人工智能是使机器能够模拟人类行为的技术。

人工智能的子集

深度学习

深度学习

机器学习

机器学习是一种人工智能(AI),它使计算机无需进行显式编程即可学习。

机器学习的类型:

  1. 监督学习
  2. 无监督学习
  3. 强化学习
深度学习

深度学习

深度学习

深度学习

  1. 在处理高维数据时(这是我们有大量输入和输出的地方)时,它没有用。
  2. 无法解决关键的AI问题,例如NLP,图像识别等。
  3. 传统机器学习模型的最大挑战之一是称为特征提取的过程。
  4. 对于诸如对象识别或手写识别之类的复杂问题,这是一个巨大的挑战。

—深度学习模型能够自己专注于正确的功能,而程序员几乎不需要指导。

—这些 模型还部分解决了尺寸问题。

深度学习

深度学习

深度学习

深度学习是机器学习的一种形式,它使用的计算模型非常受大脑结构的启发。

人工神经网络:

神经网络是在人脑中的神经元操作之后构图的硬件和/或软件系统。神经网络也称为人工神经网络,是一种实现深度学习的方法。

深度学习

深度学习

生物神经网络使计算机能够像人类一样学习和互动。它具有与树突相连的神经元,这些树突接收输入,并基于这些输入产生电信号,即通过轴突输出。

通常将人工神经网络描述为具有不同的层。第一层是输入层,它拾取输入信号并将它们传递到下一层。下一层进行各种计算和特征提取-称为隐藏层。通常,会有不止一个隐藏层。最后,还有一个输出层,可以提供最终结果。

为什么我们需要人工神经元?

深度学习

深度学习

我们需要一个系统来区分两个物种。

深度学习

深度学习

借助人工神经元,我们可以将两种花分开

深度学习

深度学习

一种单一的人工神经元,称为感知器。

深度学习

深度学习

要了解神经网络,我们需要将其分解并了解神经网络的最基本单元,即感知器。

  • 单层感知器
  • 多层感知器

什么是感知器(单层感知器)

感知器是用于对线性数据进行分类的单层神经网络的基本部分。

感知器学习规则:

深度学习

深度学习

步骤1:将输入与权重相乘并进行求和,再加上一个
偏差

步骤2:将输入的加权总和传递给激活函数,以确定神经元是否触发。

步骤3: Perceptron接收输入信号,并且如果输入信号的总和超过某个阈值,则Perceptron要么输出信号,要么不返回输出。

步骤4:输出中的错误会反向传播,权重也会更新,以最大程度地减少错误。

基本的人工神经元的组成:

  1. 输入:输入是我们需要为其预测输出值的一组值。可以将它们视为数据集中的要素或属性。
  2. 权重:权重是与每个功能关联的实数值,表明了该功能在预测最终值中的重要性。(我们将在本文中对此有更多了解)
  3. 偏差:偏差用于将激活函数向左或向右移动,在线性方程式中可以称为y截距。(我们将在本文中对此有更多了解)
  4. 求和函数:求和函数的作用是将权重和输入绑定在一起,以求和。
  5. 激活功能:激活功能将“输入和偏差((w * x)+ b)的加权总和”作为函数的输入,并决定是否触发它用于在模型中引入非线性。

激活功能的类型:

深度学习

深度学习

用于需要预测输出概率的模型。它存在于0和1之间

深度学习

深度学习

它是基于阈值的激活功能。如果X值大于某个值,则该功能被激活,否则不触发。

深度学习

深度学习

它是使用最广泛的激活函数,如果X为正,则给出X的输出,否则为0。

深度学习

深度学习

此函数类似于Sigmoid函数,并绑定到range(-1,1)

有两个主要问题:

  • 单层感知器无法对非线性可分离数据点进行分类。
  • 单层感知器无法解决涉及很多参数的复杂问题。

多层感知器:

多层感知器(MLP)包含一个或多个隐藏层(一个输入层和一个输出层除外)。虽然单层感知器只能学习线性函数,但是多层感知器也可以学习非线性函数。 因此被认为是一个深层的神经网络。

深度神经网络由以下几层组成:

  1. 输入层
  2. 隐藏层
  3. 输出层
深度学习

深度学习

一个简单的神经网络包括一个输入层,一个输出(或目标)层,以及在它们之间的一个隐藏层。这些层通过节点连接,这些连接形成了互连节点的“网络”(神经网络)。

让我们看一下手写字母图像分类示例的正向和反向传播。

必须训练这个简单的神经网络来识别手写字母“ a”,“ b”,“ c”。

深度学习

深度学习

人脑可以轻松识别字母,但是如果计算机必须识别它们,该怎么办。这就是深度学习的到来。

这是一个经过训练可识别手写字母的神经网络,每个字母都以28 * 28像素的图像形式出现。

深度学习

深度学习

现在总共有784个像素的神经元,神经网络的核心实体是进行信息处理的地方,这784个像素中的每一个都被馈送到我们神经网络第一层的神经元。

深度学习

深度学习

这形成了输入层。在另一端,我们有一个输出层,每个神经元代表字母,并且在它们之间存在隐藏层。

信息通过连接通道从一层传输到另一层,每个通道都附加有随机值,因此称为加权通道

使用加权通道进行初始预测。

所有神经元都有一个与之相关的唯一数字,称为“偏见”

将此偏差添加到到达神经元的输入的加权总和,然后将其应用于称为激活函数的函数。

激活功能的结果确定神经元是否被激活。每个激活的神经元都将信息传递到下一层,该信息一直持续到最后一层。

在输出层中激活的一个神经元对应于输入字母,不断调整权重和偏差以生成训练有素的网络。

我们的网络预测输入为’b’的可能性为0.5

深度学习

深度学习

将预测的概率与实际概率进行比较,并计算误差。

深度学习

深度学习

大小表示变化量,而符号表示权重的增加或减少。

深度学习

深度学习

信息通过网络传回(反向传播

深度学习

深度学习

深度学习

深度学习

调整整个网络的权重以减少预测损失

网络通过选择权重的随机值来开始训练自己。

深度学习

深度学习

在第一次迭代中,我们得到

深度学习

深度学习

深度学习

深度学习

在第二次和第三次迭代之后,

深度学习

深度学习

让我们专注于找到变量’ a ‘的最小损失

深度学习

深度学习

找到一个函数最小值的优化算法或图形方法称为梯度下降。

深度学习

深度学习

  • 负斜率表示重量减轻。
  • 零斜率表示合适的重量。

我们的目标是到达斜率为零的点。

现在,我们绘制体重与损失的关系图。

让我们假设以下是我们的图表,该图表显示的是变量a与第二倒数第二层所占的权重相比所产生的预测损失。

深度学习

深度学习

现在通过网络向后传播在图表上选择的随机点,以调整权重。

深度学习

深度学习

网络将使用新的权重再次运行。该过程会重复多次,直到提供准确的预测为止。

深度学习

深度学习

进一步调整权重以识别“ b”和“ c”

深度学习

深度学习

神经网络的类型

深度神经网络有不同的种类-每个神经网络都有其优点和缺点,这取决于用途。示例包括:

  • 卷积神经网络(CNN)包含五种类型的层:输入,卷积,池化,完全连接和输出。每层都有特定的目的,例如汇总,连接或激活。卷积神经网络已经普及了图像分类和目标检测。但是,CNN也已应用于其他领域,例如自然语言处理和预测。
  • 递归神经网络(RNN)使用顺序信息,例如来自传感器设备的语音数据或口语句子(由一系列术语组成)。与传统的神经网络不同,递归神经网络的所有输入都不是彼此独立的,每个元素的输出取决于其先前元素的计算。RNN用于预测和时间序列应用程序,情感分析以及其他文本应用程序。
  • 前馈神经网络,其中一层中的每个感知器都连接到下一层中的每个感知器。信息仅在向前的方向上从一层转发到下一层。没有反馈回路。
  • 自动编码器神经网络用于创建称为“编码器”的抽象,该抽象是从一组给定的输入中创建的。尽管与更传统的神经网络相似,自动编码器会设法对输入本身进行建模,因此该方法被认为是无监督的。自动编码器的前提是使不相关的内容脱敏,并使相关的内容脱敏。随着添加层,在更高的层(最靠近引入解码器层的点的层)中制定了进一步的抽象。然后,线性或非线性分类器可以使用这些抽象。

人工神经网络的未来

  • 神经网络将用于医学,农业等领域。
  • 神经网络工具将嵌入到每个设计图面中。
  • 神经网络将来会更快。
  • 面向全球用户和客户的更多个性化选择。
  • 超级智能虚拟助手将使生活更轻松。
  • 将会发现新形式的算法或学习方法。

流行的深度学习框架

深度学习的应用:

玩游戏:深度学习使我们能够构建可以玩游戏的机器。
创作音乐:通过使计算机学习乐曲中的模式,可以使用Deep Neural Nets来产生音乐。
自主驾驶猫:无需人工干预即可区分不同类型的物体,人员,道路标志和驱动器。
建造机器人:深度学习用于训练机器人执行人类任务。
医学诊断:深层神经网络用于识别肺癌患者中的可疑病变和结节

版权声明:本文内容由互联网用户贡献,该文观点仅代表作者本人。本站不拥有所有权,不承担相关法律责任。如发现有侵权/违规的内容, 联系QQ1841324605,本站将立刻清除。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

联系我们

服务热线:130-0886-1890

QR code