基于 R 语言的深度学习——简介及资料分享

近年来深度学习在人工智能领域飞速发展，各行业的学者、研究人员纷纷涌入研究热潮。本文将从 R 语言角度来介绍深度学习并解决以下几个问题：

• 什么是深度学习？
• 相关深度学习包有哪些？
• 如何配置工作环境？
• 如何使用神经网络建立模型？

由于内容过多，将分几部分发送。今天主要介绍前两部分以及给出相应拓展材料链接。

简介

深度学习是机器学习领域一个新的研究方向，通过模型模拟人类大脑的神经连接结构，进而给出数据的解释。图 1 给出了人工智能、机器学习和深度学习三者的关系。

深度学习之所以被称为 “深度”，是相对于其他” 浅层” 学习的方法（支持向量机、提升方法 、最大熵方法等）而言的。浅层学习依靠人工经验抽取样本特征，网络模型学习后获得的单层或双层的特征；而深度学习通过对原始数据进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示，从而更有利于分类或特征的可视化。

图 1：人工智能、机器学习和深度学习的关系，“来源于：L. Alzubaidi et al. Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions^[1], Journal of Big Data (2021)”

目前，深度学习已经被应用于诸多领域中，例如：医疗保健、社会网络分析、音频和语音处理（识别和增强）、视觉数据处理方法（多媒体数据分析和计算机视觉）、自然语言处理（翻译和句子分类）等。

R 语言深度学习

随着 R 的不断发展，利用 R 进行深度学习比以往更容易。并且 R 易学易用，不要求很扎实的编程基础，如今它被广泛地应用于机器学习实践和教学中。即使对 R 语言不是很了解的用户也可以通过一些包来搭建深度学习网络。

CRAN 的机器学习与统计学习^[2]任务视图中与 R 语言深度学习相关的第三方包有：

如果读者对这些包感兴趣，可以直接点击名称进入学习（文末有链接）。或者阅读程显毅老师的中文书籍《深度学习与 R 语言^[10]》，该书介绍了各种 R 语言深度学习包并结合实例分析。

本文主要使用深度学习框架 Keras^[11]，并将 TensorFlow^[12] 作为后端引擎。与其他包相比，Keras 的优点在于它的易用性。它是最流行和发展最快的深度学习框架之一，被广泛推荐为入门深度学习的最佳工具。它能够在 TensorFlow，CNTK，Theano 或 MXNet 上运行。

相关教程

1. RStudio 官网 TensorFlow 资料^[13] 和 AI 相关 博客^[14];
2. 书籍：《Deep Learning with R》^[15]，对应 代码^[16]，中文翻译版本^[17]。
3. 入门教程：keras: R 语言中的深度学习^[18]；
4. 基于 Keras 和 TensorFlow 的深度学习的 研讨会^[19]；
5. 相关视频

1. 基于 R 语言的深度学习：针对入学者^[20]；
2. Shirin 在 2020 年 R 会议的报告：《基于 R 语言的深度学习》^[21]，会议笔记^[22]。

防止读者加载不了视频，作者已将其搬运到 B 站 (1)^[23]， (2)^[24]，仅供大家学习使用。

1. RStudio 官方给出的 Keras 速查表^[25]。
2. 
   

相关案例

• R 中使用 TensorFlow Probability^[26]
• 表示学习^[27]
• 几何深度学习^[28]
• 基于空间预测的卷积 LSTM 网络^[29]

参考资料

[1]

Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions: https://link.springer.com/article/10.1186/s40537-021-00444-8

[2]

机器学习与统计学习: https://cran.r-project.org/view=MachineLearning

[3]

nnet: https://cran.r-project.org/web/packages/nnet/index.html

[4]

h2o: https://cran.r-project.org/web/packages/h2o/index.html

[5]

RSNNS: https://cran.r-project.org/web/packages/RSNNS/index.html

[6]

tensorflow: http://www.tensorflow.org/

[7]

deepnet: https://cran.r-project.org/web/packages/deepnet/index.html

[8]

RcppDL: https://cran.r-project.org/web/packages/RcppDL/index.html

[9]

torch: https://cran.r-project.org/web/packages/torch/index.html

[10]

深度学习与 R 语言: https://book.douban.com/subject/27085471/

[11]

Keras: https://keras.io/

[12]

TensorFlow: https://www.tensorflow.org/?hl=zh-cn

[13]

资料: https://tensorflow.rstudio.com/

[14]

博客: https://blogs.rstudio.com/ai/

[15]

《Deep Learning with R》: https://www.manning.com/books/deep-learning-with-r

[16]

代码: https://github.com/fmmattioni/deep-learning-with-r-notebooks

[17]

中文翻译版本: https://item.jd.com/13183476.html

[18]

keras: R 语言中的深度学习: https://www.datacamp.com/community/tutorials/keras-r-deep-learning

[19]

研讨会: https://github.com/rstudio-conf-2020/dl-keras-tf

[20]

基于 R 语言的深度学习：针对入学者: https://www.youtube.com/watch?v=xzbVK2tqTfM&t=11978s

[21]

《基于 R 语言的深度学习》: https://www.youtube.com/watch?v=uBISMeExoqk

[22]

会议笔记: https://gitlab.com/ShirinG/keras_tutorial_user2020

[23]

(1): https://www.bilibili.com/video/BV1E3411n7Ry/

[24]

(2): https://www.bilibili.com/video/BV1W34y1v795/?spm_id_from=333.788

[25]

速查表: https://raw.githubusercontent.com/rstudio/cheatsheets/main/keras.pdf

[26]

R 中使用 TensorFlow Probability: https://blogs.rstudio.com/ai/posts/2019-01-08-getting-started-with-tf-probability/

[27]

表示学习: https://blogs.rstudio.com/ai/posts/2018-10-22-mmd-vae/#our-objective-today

[28]

几何深度学习: https://blogs.rstudio.com/ai/posts/2021-08-26-geometric-deep-learning/

[29]

基于空间预测的卷积 LSTM 网络: https://blogs.rstudio.com/ai/posts/2020-12-17-torch-convlstm/