超赞的学习笔记——《Python深度学习3:深度学习基本介绍》

文章介绍了深度学习的基础概念,包括它作为机器学习的一个分支,依赖于人工神经网络进行特征学习。解释了神经网络的结构,如输入层、隐藏层和输出层,并探讨了激活函数的作用,如Sigmoid、Tangent和ReLU。此外,还提到了偏移值在模型中的意义以及卷积神经网络在图像识别中的应用,包括卷积层、池化层和全连接层。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

► 前言

► 何谓深度学习

► 何谓神经网路

► 激活函数

► 偏移值(Bias)

► 卷积神经网路

►小结


► 前言

之前写了一篇“Python深度学习2:Python基础语法介绍”介绍基本语法,看完大概了解一些程式码,而接下来本篇为大家介绍一下深度学习。

► 何谓深度学习

深度学习是机器学习的分支,以人工神经网路(Artificial Neural Network,ANN)为架构,对资料进行特徵学习的演算法,模型根据非结构化、未标记的资料及已标记的资料来学习和做出决策,让CPU或MCU向人类一样,可进行複杂的运算,展现拟人的判断及行为。

► 何谓神经网路

神经网路(Neural Network,NN)是一种模仿生物神经网路的结构和功能的数学模型或计算模型,类似于充满数位神经的大脑,可以处理大量非线性资料,帮助人解决複杂的问题。

神经网路由神经元(节点)组成,区分为输入层(Input Layers)、(Hidden Layers)及输出层 (Output Layers):
输入层:接收非线性输入向量,例如眼睛、鼻子、嘴巴。
输出层:神经元链结中传输、分析、权衡,最终形成结果。
隐藏层:为输入层和输出层之间众多神经元和链结组成的各个层面,可以有一层或多层。

 图片来源:Regional Mapping of the Geoid Using GNSS (GPS) Measurements and an Artificial Neural Network

► 激活函数

激活函数(Activation functions)是帮助网路学习数据中的增加非线性因素,因为线性模型表达能力不够无法准确推论结果。激活函数区分为四种,以下描述特点:

Threshold Function:模型修正能力较差,因为输出不是0就是1,没有中间值可以参考调整。
Sigmoid Function:一个在生物学中常见的S型函数,常被用作神经网路的阈值函数,将变量映射到0,1之间,但容易发生梯度消失的问题,且中心点不为0。
Tangent Function:和 sigmoid 函数的曲线相对相似,但比Sigmoid函数收敛速度更快,输出以0为中心,不过容易发生梯度消失的问题。
ReLU Function:深度学习中较爲流行的一种激活函数,快速收敛,解决梯度消失问题,但会发生神经元会死亡的问题。

► 偏移值(Bias)

不增加Bias推论出的分类线就会通过原点,无法灵活使用,因此增加Bias就可以上下左右移动分类线。当然Bias可以充当阀值调整激活难度,但是Bias对最终结果没有显著的影响,因为Bias可以看作Weight的一部分,大致算式如下图: 

► 卷积神经网路

卷积神经网路(Convolutional Neural Network, CNN ),为目前深度学习领域的发展主力之一,在图片辨识上能做到堪比人类的准确度。CNN 模仿人类大脑的认知方式,判断一样图,看出物体的颜色及特徵,例如:树叶、树干和树枝...等等,这种抽象化的过程就是CNN演算法建立模型的方式。透过一块块的特徵研判,逐步堆叠综合比对结果,就可以得到较好的辨识结果。


图片来源:CS231n Convolutional Neural Networks for Visual Recognition

卷积层(Convolution layer):卷积网络的核心构建块,使用Filter遮罩进行提取特徵。
ReLu:激活函数,快速收敛,且不会造成梯度消失。
池化层(Pooling layer):取得遮罩内的最大值,以减少资料特徵维度,保留重要特徵,减少模型参数,防止过度拟合。
摊平(Flatten):衔接CNN层与全连接层,将多维输入,摊平为一维输出。
全连接层(Fully connected layer):类似分类器的功能。

►小结

透过以上讲解,因该已经对于神经网路有初步的了解,当跟朋友讨论时能够大概想像得出基本图形,本篇博客到这裡,期待下一篇博客吧!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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