DL:深度学习(神经网络)的简介、基础知识(神经元/感知机、训练策略、预测原理)、算法分类、经典案例应用之详细攻略-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

DL:深度学习(神经网络)的简介、基础知识(神经元/感知机、训练策略、预测原理)、算法分类、经典案例应用之详细攻略

简介: 深度学习(Deep Learning, DL)或阶层学习(hierarchical learning)是机器学习的技术和研究领域之一,通过建立具有阶层结构的人工神经网络(Artifitial Neural Networks, ANNs),在计算系统中实现人工智能 。由于阶层ANN能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习(representation learning)能力 ,可以实现端到端的监督学习和非监督学习 。此外,深度学习也可参与构建强化学习(reinforcement learning)系统,形成深度强化学习 。

 DL:深度学习(神经网络)的简介、基础知识(神经元/感知机、训练策略、预测原理)、算法分类、经典案例应用之详细攻略

目录

深度学习(神经网络)的简介

1、深度学习浪潮兴起的三大因素

深度学习(神经网络)的基础知识(相关概念、训练策略)

1、神经网络的基础知识

2、神经元的结构

3、感知机

4、万能逼近定理

5、神经网络训练

6、神经网络学习

7、神经网络的前馈运算与反向传播

8、激活函数

深度学习(神经网络)的算法分类

1、常用的神经网络模型概览

深度学习(神经网络)的经典案例应用


深度学习(神经网络)的简介

       深度学习(Deep Learning, DL)或阶层学习(hierarchical learning)是机器学习的技术和研究领域之一,通过建立具有阶层结构的人工神经网络(Artifitial Neural Networks, ANNs),在计算系统中实现人工智能  。由于阶层ANN能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习(representation learning)能力 ,可以实现端到端的监督学习和非监督学习 。此外,深度学习也可参与构建强化学习(reinforcement learning)系统,形成深度强化学习  。

       深度学习所使用的阶层ANN具有多种形态,其阶层的复杂度被通称为“深度” 。按构筑类型,深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑  。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”  。学习的常见方法为梯度下降算法及其变体 ,一些统计学习理论被用于学习过程的优化 [9]  。

        在应用方面,深度学习被用于对复杂结构和大样本的高维数据进行学习,按研究领域包括计算机视觉、自然语言处理、生物信息学、自动控制等,且在人像识别、机器翻译、自动驾驶等现实问题中取得了成功。 

1、深度学习浪潮兴起的三大因素

    • 海量的数据
    • 不断提升的算法能力
    • 高性能计算硬件的实现:GPU、TPU


    深度学习(神经网络)的基础知识(相关概念、训练策略)

           深度学习的实质是构建具有多个隐藏层的机器学习模型,通过海量的训练数据来学习更有用的特征,从而最终提升分类或预测的准确性。“深度模型”是手段“表示学习”是目的

           深度学习与传统的浅层学习的不同在于:

      • (1) 强调了模型结构的深度,有2层以上的隐藏层;
      • (2) 明确突出了表示学习的重要性。通过逐层特征变换,将样本在原空间的特征表示变换到一个新的特征空间,使分类或预测更加容易。

      image.gif

      DL之DNN优化技术:神经网络算法简介之GD/SGD算法的简介、代码实现、代码调参之详细攻略

      DL之DNN:BP类神经网络理解之不需要额外任何文字,只需要八张图讲清楚BP类神经网络的工作原理

      1、神经网络的基础知识

        • 神经元
        • 感知机
        • 激活函数:Sigmoid、tanh、ReLU、Leaky ReLU、ELU、Softmax。
        • 多层感知机:
        • 万能逼近定理:

        2、神经元的结构

        生物神经元包括细胞体和突起两个部分,突起又包括树突(接收信号)和轴突(传出信号)。

          • 轴突记录了神经元间联系的强弱。只有达到一定的兴奋程度,神经元才向外界传输信息。
          • 神经元之间的信号通过突触传递。

          image.gif

          3、感知机

          DL之Perceptron:Perceptron感知器(感知机/多层感知机/人工神经元)的简介、原理、案例应用(相关配图)之详细攻略

          4、万能逼近定理

           (Universal approximation theorem)

            • 只需一个包含单个隐藏层的前馈神经网络,即可逼近任意一个连续函数
            • 尽管仅有一个隐藏层的前馈网络足以表示任何函数,但是该隐藏层的神经元数目可能非常多,从而导致网络无法学习或正确泛化。

            5、神经网络训练

            (1)、损失函数:

            平均损失函数

            绝对值损失函数

            交叉熵损失函数:softmax回归,独热编码。

            (2)、优化目标

            (3)、梯度下降:

                • 梯度下降各种优化算法:Momentum、NAG、Adagrad、Adadelta、RMSprop、Adam

                (4)、反向传播法:计算图解释

                1、神经网络训练的优化目标

                image.gif

                6、神经网络学习

                (1)、通过调整神经元的参数,使得网络对给定输入可产生期望输出。

                image.gif

                (2)、学习层次化的表示(表征)

                     image.gif

                7、神经网络的前馈运算与反向传播

                前馈运算和反向传播:在训练网络过程中所使用的。如果经过训练模型,网络稳定下来以后,就可以把参数固定下来,此时就不再需要反向传播了,只需要前馈运算进行推理和预测即可!

                 

                image.gif

                8、激活函数

                DL学习—AF:理解机器学习中常用的激活函数(sigmoid、softmax等)简介、应用、计算图实现、代码实现详细攻略

                深度学习(神经网络)的算法分类

                         深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑  。

                          前馈神经网络(NN),而是和循环神经网络(RNN)的概念是相对的。而反向传播方法可以用在FF网络中,此时,基于反向传播算法的前馈神经网络,被称为BP神经网络。

                1、常用的神经网络模型概览

                DL:神经网络所有模型(包括DNN、CNN、RNN等)的简介(概览)、网络结构简介、使用场景对比之详细攻略

                1、DNN

                DL之DNN:DNN深度神经网络算法的简介、相关论文、设计思路、关键步骤、实现代码等配图集合之详细攻略

                2、CNN

                DL之CNN:计算机视觉卷积神经网络算法CNN算法常见结构、发展、CNN优化技术、案例应用之详细攻略

                3、RNN

                DL之RNN:RNN算法的简介、相关论文、相关思路、关键步骤、配图集合+TF代码定义之详细攻略

                4、DBN

                深度学习(神经网络)的经典案例应用

                后期更新……


                版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

                分享:
                人工智能
                使用钉钉扫一扫加入圈子
                + 订阅

                了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

                其他文章
                最新文章
                相关文章