深度学习的三个主要步骤!

深度学习十大算法:探索Al的奥秘 RL考虑的是智能体(Agent)与环境(Environment)的交互问题,其中的agent可以理解为学习的主体,它⼀般是咱们设计的强化学习模型或者智能体,这个智能体在开始的状态试图采取某些⾏动去操纵环境,它的⾏动从⼀个状态到另⼀个状态完成⼀次初始的试探,环境会给予⼀定的奖励,这个模型根据奖励的反馈作出下⼀次⾏动(这个⾏动就是当前这个模型根据反馈学来的,或者说这就是⼀种策略),经过不断的⾏动、反馈、再⾏动,进⽽学到环境状态的特征规律。但是最常见的CNN都是若干卷积层+池化层的组合,如上图中的CNN结构。 阅读详情

 Datawhale干货 

作者:屈太国,湖南大学,Datawhale优秀学习者

本文来自李宏毅机器学习笔记(LeeML-Notes)组队学习,详细介绍了使用深度学习技术的三大主要步骤。教程地址:https://github.com/datawhalechina/leeml-notes

深度学习的三个步骤:

Step1:神经网络(Neural network)

Step2:模型评估(Goodness of function)

Step3:选择最优函数(Pick best function)

Step1:神经网络

神经网络是由很多单元连接而成,这些单元称为神经元。

神经网络类似于人类的神经细胞,电信号在神经元上传递,类似于数值在神经网络中传递的过程。 


在这个神经网络里面,一个神经元就相当于一个逻辑回归函数,所以上图中有很多逻辑回归函数,其中每个逻辑回归都有自己的权重和自己的偏差,这些权重和偏差就是参数。

图中红框表示的就是神经元,多个神经元以不同的方式进行连接,就会构成不同结构神经网络。神经元的连接方式是由人工设计的。

  • 神经元:神经元的结构如图所示

  1. 每个输入乘以其对应的权重,将结果求和,得到????;

  2. 将和代入激活函数,得到结果????。

全连接前馈神经网络

全连接:每一个神经元的输出都连接到下一层神经元的每一个神经元,每一个神经元的输入都来自上一层的每一个神经元。

前馈:前馈(feedforward)也可以称为前向,从信号流向来理解就是输入信号进入网络后,信号流动是单向的,即信号从前一层流向后一层,一直到输出层,其中任意两层之间的连接并没有反馈(feedback),亦即信号没有从后一层又返回到前一层。

  • 全连接前馈神经网络示例:

如图所示,这是一个4层的全连接神经网络,每一层有两个神经元,每个神经元的激活函数都是sigmoid。

  • 网络输入为(1, -1),激活函数为sigmoid:

  • 网络输入为(0, 0),激活函数为sigmoid:

神经网络结构:

Input Layer:网络的输入层,Layer的size和真实输入大小匹配。

Hidden Layers:处于输入层和输出层之间的网络层。

Output Layer:网络的最后一层,神经元计算产生的结果直接输出,作为模型的输出。

一些疑问

  • 为什么叫「全连接」?

    因为网络中相邻的两层神经元,前一层的每一个神经元和后一层的每一个神经元都有连接,所以叫做全连接;

  • 为什么叫「前馈」?

    因为值在网络中传递的方向是由前往后传(输入层传向输出层),所以叫做Feedforward。

  • Deep Learning,“Deep”体现在哪里?

神经网络的连接方式由人工设计,所以可以堆叠很多层神经元构成很“深”网络,如上图所示2015年提出的ResNet就达到了152层的深度。

深度神经需要特殊的训练技巧

随着层数变多,网络参数增多,随之运算量增大,通常都是超过亿万级的计算。对于这样复杂的结构,我们一定不会一个一个的计算,对于亿万级的计算,使用loop循环效率很低。

网络的运算过程如图所示:

上图中,网络的运算过程可看作是矩阵的运算。

网络的计算方法就像是嵌套,所以整个神经网络运算就相当于一连串的矩阵运算。

从结构上看每一层的计算都是一样的,也就是用计算机进行并行矩阵运算。这样写成矩阵运算的好处是,你可以使用GPU加速,GPU核心多,可以并行做大量的矩阵运算。

神经网络的本质:通过隐藏层进行特征转换

隐藏层可以看作是对网络输入层输入特征进行特征处理,在最后一层隐藏层进行输出,这时的输出可以看作一组全新的特征,将其输出给输出层,输出层对这组全新的特征进行分类。

举例:手写数字识别

举一个手写数字体识别的例子:

输入:一个16*16=256维的向量,每个pixel对应一个dimension,有颜色用(ink)用1表示,没有颜色(no ink)用0表示,将图片展平为一个256维的向量作为网络输入。

输出:10个维度,每个维度代表一个数字的置信度(可理解为是该数字的概率有多大)

从输出结果来看,每一个维度对应输出一个数字,代表模型输出为当前分类数字的概率。说明这张图片是2的可能性就是最大的。

在这个问题中,唯一确定的就是,输入是256维的向量,输出是10维的向量,我们所需要找的函数就是输入和输出之间的神经网络这个函数。

从上图看神经网络的结构决定了函数集(function set),通常来讲函数集中的函数越多越复杂,网络的表达空间就越大,越能handle复杂的模式,所以说网络结构(network structured)很关键。

接下来有几个问题:

  • 多少层?每层有多少神经元?这个问我们需要用尝试加上直觉的方法来进行调试。对于有些机器学习相关的问题,我们一般用特征工程来提取特征,但是对于深度学习,我们只需要设计神经网络模型来进行就可以了。对于语音识别和影像识别,深度学习是个好的方法,因为特征工程提取特征并不容易。

  • 结构可以自动确定吗?有很多设计方法可以让机器自动找到神经网络的结构的,比如进化人工神经网络(Evolutionary Artificial Neural Networks)但是这些方法并不是很普及 。

  • 我们可以设计网络结构吗?可以的,比如 CNN卷积神经网络(Convolutional Neural Network )

Step2:模型评估

损失示例

对于模型的评估,我们一般采用损失函数来反应模型的优劣,所以对于神经网络来说,我们可以采用交叉熵(cross entropy)函数来对 ???? 和 ????̂ 的损失进行计算,接下来我们就通过调整参数,让交叉熵越小越好。

总体损失

对于损失,我们不单单要计算一笔数据的,而是要计算整体所有训练数据的损失,然后把所有的训练数据的损失都加起来,得到一个总体损失????。接下来就是在functon set里面找到一组函数能最小化这个总体损失????,或者是找一组神经网络的参数????,来最小化总体损失????。

Step3:选择最优函数

如何找到最优的函数和最好的一组参数?

——使用梯度下降。

具体流程:????是一组包含权重和偏差的参数集合,随机找一个初始值,接下来计算一下每个参数对应的偏微分,得到的一个偏微分的集合∇????就是梯度,有了这些偏微分,我们就可以更新梯度得到新的参数,这样不断反复进行,就能得到一组参数使得损失函数的值最小。

反向传播

在神经网络训练中,我们需要将计算得到的损失向前传递,以计算各个神经元连接的权重对损失的影响大小,这里用到的方法就是反向传播。我们可以用很多框架来进行计算损失,比如说TensorFlow,Pytorch,theano等。

思考题

为什么要用深度学习,深层架构带来哪些好处?那是不是隐藏层越多越好?

隐藏层越多越好?

从图中展示的结果看,毫无疑问,理论上网络的层次越深效果越好,但现实中是这样吗?

普遍性定理

参数更多的模型拟合数据效果更好是很正常的。

有一个通用的理论:对于任何一个连续的函数,都可以用足够多的神经元来表示。那为什么我们还需要深度(Deep)神经网络结构呢,是不是直接用一层包含很多神经元的网络(Fat)来表示就可以了?

推荐人:王茂霖、丁一超


觉得还不错就给我一个小小的鼓励吧!


深度学习的一个完整过程通常包括以下几个步骤 这些步骤形成了深度学习项目的一个迭代过程,通常需要不断的调整和改进。在整个过程中,良好的文档记录和实验管理是非常重要的,以便追溯模型的训练历史、超参数的选择等信息。 阅读详情

相关推荐

深度学习框架DeepLearning4J(DL4J)的安装及配置

本文主要介绍了如何在IDEA中,通过使用Maven安装和配置深度学习框架DeepLearning4J,同时文中也详细介绍了Maven的安装和配置过程,希望给小伙伴一些帮助。

IT_xiao_bai的博客 1万+

深度学习知识点全面总结_深度学习总结

深度学习基础知识

feichangyanse的博客 2万+

p13 深度学习的三个步骤

p13 深度学习的三个步骤 我们都知道机器学习有三个step,对于deep learning其实也是3个步骤: Step1:神经网络(Neural network) Step2:模型评估(Goodness of function) Step3:选择最优函数(Pick best function) 那对于深度学习的Step1就是神经网络(Neural Network) Step1:神经网络 神经网络(Neural network)里面的节点,类似我们的神经元。 神经网络也可以有很多不同的连接方式,这样

qq_42255693的博客 2498

深度学习--- 深度学习基础

人工智能(AI)是指将机器或计算机程序赋予类似于人类智能的能力,即可以像人一样感知、理解、学习、推理和创造。 * 机器学习(Machine Learning,简称ML)是人工智能中的一种方法和技术,通过让计算机从数据中学习模式和规律,从而不需要人类明确地编写特定的程序来完成任务。 * 深度学习(Deep Learning)是一种基于人工神经网络的机器学习技术,通过模拟人脑神经元之间的联系和活动方式,来实现对输入数据进行分析、抽象和处理的能力。

datian1234的博客 2万+

从TensorFlow到DL4J——主流深度学习框架对比分析

从TensorFlow到DL4J——主流深度学习框架对比分析 2022年2月22日 极链AI云 官网地址 点击注册 更多AI小知识,关注《极链AI云》公众号 文章目录从TensorFlow到DL4J——主流深度学习框架对比分析一、深度学习框架概述与深度学习技术的四大阵营二、主流开源深度学习框架的来龙去脉2.1 TensorFlow2.2 Keras2.3 Pytorch2.4 Theano2.4 Caffe2.5 Caffe22.6 Torch2.7 FastAI2.8 MXNet2.9 Gluon

m0_60673947的博客 2552

深度学习知识点全面总结

本文详细介绍深度学习概念及原理,参考网上相关资料汇总,内容包含众多章节,包括神经网络基础及常见深度学习网络结构介绍,用于个人学习总结,适合深度学习初学者学习。同时介绍机器学习常见的分类算法:SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法:感知机、SVM、人工神经网络、决策树、逻辑回归.........

专注大数据与人工智能技术分享,欢迎私信加群互相学习! 39万+

【深度学习】深度学习的三个主要步骤!

作者:屈太国,湖南大学,Datawhale优秀学习者本文来自李宏毅机器学习笔记(LeeML-Notes)组队学习,详细介绍了使用深度学习技术的三大主要步骤。教程地址:https://git...

fengdu78的博客 2502

Java 人工智能应用:使用 DL4J 实现深度学习算法

本文介绍了如何使用Java深度学习库DL4J实现深度学习算法。DL4J是为Java开发者设计的开源分布式深度学习库,可与Hadoop和Spark集成处理大规模数据。文章详细讲解了DL4J开发环境的搭建步骤,包括Maven依赖配置和Java环境准备。重点演示了如何使用DL4J构建多层感知机(MLP)模型,涵盖数据准备、模型构建、训练和评估的完整流程。通过示例代码展示了如何实现数据预处理、神经网络配置、模型训练和性能评估,为Java开发者提供了深度学习应用的实践指南。文中采用的MLP模型适用于二分类问题,可作为

shrgegrb的博客 2497

【深度学习】Java DL4J 2024年度技术总结

在当今数字化浪潮中,深度学习作为人工智能领域的核心驱动力,正以前所未有的速度改变着我们的生活和工作方式。从图像识别到自然语言处理,从医疗诊断到金融预测,深度学习的应用场景无处不在,展现出巨大的潜力和价值。Java作为一门广泛应用于企业级开发的编程语言,以其稳定性、可移植性和丰富的类库资源,在软件开发领域占据着重要地位。然而,传统的Java开发在面对深度学习复杂的模型构建和大规模数据处理时,往往显得力不从心。的出现,为Java开发者打开了一扇通往深度学习世界的大门。DL4J是一个专为Java和Scala。

在技术的广袤天地里,本博客如精准罗盘。剖析前沿科技,深掘代码奥秘,以精炼笔触,带您穿越复杂技术迷宫,速达知识彼岸。 1万+

Deeplearning4j深度学习示例教程:DL4J, DL4J Spark, DataVec实战

神经网络是深度学习的基础,由大量的节点(或称为“神经元”)相互连接而成。每个神经元可以将输入转换为输出,并在此过程中应用一个非线性激活函数。通过多层的网络结构,复杂的非线性变换得以实现,使得神经网络能够学习数据中的层次结构。Deeplearning4j(DL4J)是针对Java虚拟机(JVM)的开源深度学习库,专为商业环境和生产需求设计。DL4J的特点之一是它的性能优化,在分布式计算、多线程和Hadoop或Spark集成方面表现出色。

weixin_29867767的博客 3478

STM32移植u8g2库(HAL库)(硬件SPI)(sh1106_128x64)

STM32移植u8g2库(HAL库)(硬件SPI)(sh1106_128x64) MCU型号为STM32F103RCT6,OLED屏为中景园电子1.3寸屏,驱动芯片为sh1106,分辨率为128x64,MDK版本为V5.34。

Master_0_的博客 6272

使用 ESP-DL 深度学习库基于 ESP32-S3 实现手势识别

用户基于乐鑫深度学习库 ESP-DL,能够在 ESP32-S3 上部署高性能的深度学习模型。

乐鑫 Espressif 1万+

Camera(5)metadata

Metadata 是整个 Android camera 中类似于高楼大厦中的管道系统一样,贯穿了整个 Camera 的 Framework 和 vendor HAL。Metadata 里面包含了所有的控制、参数、返回值等等。Metadata分为Android原生的Metadata和芯片商或者用户自定义的Metadata,即Android Tag和Vendor Tag。Vendor Tag在Hal中定义,并在camx和chi目录中使用。

qq_55893245的博客 3057

【深度学习-Day 1】为什么深度学习是未来?一探究竟AI、ML、DL关系与应用

欢迎踏上深度学习(Deep Learning, DL)的探索之旅!近年来,人工智能(Artificial Intelligence, AI)浪潮席卷全球,而深度学习正是驱动这股浪潮的核心技术之一。无论你是对 AI 充满好奇的初学者,还是希望在技术领域深耕的开发者,理解深度学习都至关重要。本专栏旨在系统性地引导大家从零基础入门,逐步掌握深度学习的核心概念、关键技术和实战应用。

吴师兄大模型的博客 7390

[Dify 案例实战] 构建一个基于 Dify 的个人写作助理工具-带绑定资源

想要一个懂你风格、能帮你写文章、润色文字、生成大纲的 AI 写作助手? 本文将带你从 0 到 1,完整实现一个 基于 Dify 工作流的个人写作助理工具。 我们会利用 Dify 的 LLM 节点、变量传递、文本处理、知识库与多轮对话能力.

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 279

DSP烧写程序的步骤流程

1,先打开 “Code Composer Studio 5.5.0”软件,选择一个DSP的工作区路径(可自行选择,不能有中文路径),如下图 2,将烧写bin文件(例如Lss_Board0_xxx.bin、Lss_Board1_xxx.bin)拷贝至烧录工程文件夹WriteCode内。选择CCS Edit窗口选项,若隐藏可点击右侧>>符号,从菜单栏点击Project,选择Import Existing CCS Eclipse Project,从弹出的对话框中选择WriteCode工程路径,从

wangjie36的博客 1万+

【大数据分析 | 深度学习】在Hadoop上实现分布式深度学习

本文介绍大数据和深度学习结合之路,即在Hadoop上实现分布式深度学习。主要讲解三个框架,包括Submarine(Hadoop生态系统),TonY(LinkedIn)和DL4J(deeplearning4j)。

Morse_Chen的博客 1万+

自动驾驶算法-滤波器系列(三)——不同运动模型(CV、CA、CTRV、CTRA)的建模和推导

CV & CA & CTRV & CTRA1. CV模型2. CA模型3. CTRV模型4. CTRA模型 1. CV模型 2. CA模型 3. CTRV模型 4. CTRA模型

weixin_41480034的博客 2万+

【DL】2023年你应该知道的 10 大深度学习算法

它们是训练有素的神经网络,可将数据从输入层复制到输出层。它们具有相同数量的输入和输出层,但可能有多个隐藏层,可用于构建语音识别、图像识别和机器翻译软件。无论您是初学者还是专业人士,这三大深度学习算法都将帮助您解决与深度学习相关的复杂问题:CNN 或卷积神经网络、LSTM 或长短期记忆网络和 RNN 或递归神经网络 (RNN)。是的,CNN 是一种深度学习算法,负责以网格模式的形式处理受动物视觉皮层启发的图像。深度学习算法几乎可以处理任何类型的数据,并且需要大量的计算能力和信息来解决复杂的问题。

sikh_0529的博客 2万+

DBT关键切片重建算法

DBT通过有限角度(通常15°~50°)扫描,获取一系列低剂量投影图,重建出三维断层图像。传统FBP在稀疏角度下会产生严重的“伪影拖尾”和层间干扰。临床诊断中,放射科医生往往只关注几层关键切片(即病灶所在层),其余层仅作参考。

AI的内部世界的博客 89

五、MT8168 音频驱动之SPEAKER

本章主要讲解MT8168平台的内部SPEAKER驱动配置。分为HP接法和LINE OUT接法。2.1.3 audio_custom_exp.h设置。2.1.4 mixer_paths.xml设置。2.2.3 mixer_paths.xml设置。2.1.2 ProjectConfig 设置。2.2.2 ProjectConfig 设置。2.2.1 deconfig设置。2.1.1 DTS设置。......

Joon2020的博客 1664

DL框架之DL4J/Deeplearning4j:深度学习框架DL4J/Deeplearning4j的简介、安装、使用方法之详细攻略

Deeplearning4j可以实施的技术包括受限玻尔兹曼机、深度置信网络、深度自动编码器、堆叠式降噪自动编码器、循环神经张量网络,以及word2vec、doc2vec和GloVe。硬件支持包括 CUDA GPU(10.0、10.1、10.2,OSX 除外)、x86 CPU(x86_64、avx2、avx512)、ARM CPU(arm、arm64、armhf)和 PowerPC(ppc64le)。:用于各种格式和文件(HDFS、Spark、图像、视频、音频、CSV、Excel 等)的。

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 6287

自定义载板RK3588HDMI输入配置完整解决方案

✅ HDMI输入信号检测✅ 自动时序识别(支持1080p@60Hz等标准格式)✅ V4L2视频设备接口✅ 实时视频流捕获✅ H.264编码录制✅ HDCP内容保护支持问题根因识别:发现了hdmim1模块资源冲突的本质问题硬件设计理解:明确了Orange Pi 5 Plus的真实硬件设计意图功能实现:成功启用HDMI输入功能,替代了无法使用的HDMI1输出完整验证:建立了从硬件检测到视频录制的完整测试流程。

梁俊星的博客 1273
上一篇: 详解图像增强、图像复原领域技术
下一篇: 日赚 5 亿的腾讯工资又涨了:员工上半年人均月薪 7.8 万
Wang_AI
博客等级 码龄12年 997粉丝 162原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值