国产肉体XXXX裸体137大胆,国产成人久久精品流白浆,国产乱子伦视频在线观看,无码中文字幕免费一区二区三区 国产成人手机在线-午夜国产精品无套-swag国产精品-国产毛片久久国产

新聞中心

EEPW首頁(yè) > 牛人業(yè)話 > 機(jī)器學(xué)習(xí)——深度學(xué)習(xí)(Deep Learning)之我見(jiàn)

機(jī)器學(xué)習(xí)——深度學(xué)習(xí)(Deep Learning)之我見(jiàn)

作者: 時(shí)間:2017-03-21 來(lái)源:網(wǎng)絡(luò) 收藏

  Deep Learning是中一個(gè)非常接近AI的領(lǐng)域,其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò),最近研究了中一些的相關(guān)知識(shí),本文給出一些很有用的資料和心得。

本文引用地址:http://m.ptau.cn/article/201703/345531.htm

  Key Words:有監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí),分類、回歸,密度估計(jì)、聚類,,Sparse DBN,

  1. 有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)

  給定一組數(shù)據(jù)(input,target)為Z=(X,Y)。

  有監(jiān)督學(xué)習(xí):最常見(jiàn)的是regression & classification。

  regression:Y是實(shí)數(shù)vector。回歸問(wèn)題,就是擬合(X,Y)的一條曲線,使得下式cost function L最小。

    

 

  classification:Y是一個(gè)finite number,可以看做類標(biāo)號(hào)。分類問(wèn)題需要首先給定有l(wèi)abel的數(shù)據(jù)訓(xùn)練分類器,故屬于有監(jiān)督學(xué)習(xí)過(guò)程。分類問(wèn)題中,cost function L(X,Y)是X屬于類Y的概率的負(fù)對(duì)數(shù)。

    

,其中fi(X)=P(Y=i | X);  

 

    

 

  無(wú)監(jiān)督學(xué)習(xí):無(wú)監(jiān)督學(xué)習(xí)的目的是學(xué)習(xí)一個(gè)function f,使它可以描述給定數(shù)據(jù)的位置分布P(Z)。 包括兩種:density estimation & clustering.

  density estimation就是密度估計(jì),估計(jì)該數(shù)據(jù)在任意位置的分布密度

  clustering就是聚類,將Z聚集幾類(如K-Means),或者給出一個(gè)樣本屬于每一類的概率。由于不需要事先根據(jù)訓(xùn)練數(shù)據(jù)去train聚類器,故屬于無(wú)監(jiān)督學(xué)習(xí)。

  PCA和很多deep learning算法都屬于無(wú)監(jiān)督學(xué)習(xí)。

  2. Deep Learning介紹

  Depth 概念:depth: the length of the longest path from an input to an output.

  Deep Architecture 的三個(gè)特點(diǎn):深度不足會(huì)出現(xiàn)問(wèn)題;人腦具有一個(gè)深度結(jié)構(gòu)(每深入一層進(jìn)行一次abstraction,由lower-layer的features描述而成的feature構(gòu)成,就是上篇中提到的feature hierarchy問(wèn)題,而且該hierarchy是一個(gè)稀疏矩陣);認(rèn)知過(guò)程逐層進(jìn)行,逐步抽象

  3篇文章介紹Deep Belief Networks,作為DBN的breakthrough

  3.Deep Learning Algorithm 的核心思想:

  把learning hierarchy 看做一個(gè)network,則

 ?、贌o(wú)監(jiān)督學(xué)習(xí)用于每一層網(wǎng)絡(luò)的pre-train;

  ②每次用無(wú)監(jiān)督學(xué)習(xí)只訓(xùn)練一層,將其訓(xùn)練結(jié)果作為其higher一層的輸入;

  ③用監(jiān)督學(xué)習(xí)去調(diào)整所有層

  這里不負(fù)責(zé)任地理解下,舉個(gè)例子在Autoencoder中,無(wú)監(jiān)督學(xué)習(xí)學(xué)的是feature,有監(jiān)督學(xué)習(xí)用在fine-tuning. 比如每一個(gè)neural network 學(xué)出的hidden layer就是feature,作為下一次神經(jīng)網(wǎng)絡(luò)無(wú)監(jiān)督學(xué)習(xí)的input……這樣一次次就學(xué)出了一個(gè)deep的網(wǎng)絡(luò),每一層都是上一次學(xué)習(xí)的hidden layer。再用softmax classifier去fine-tuning這個(gè)deep network的系數(shù)。

    

 

  這三個(gè)點(diǎn)是Deep Learning Algorithm的精髓,我在上一篇文章中也有講到,其中第三部分:Learning Features Hierachy & Sparse DBN就講了如何運(yùn)用Sparse DBN進(jìn)行feature學(xué)習(xí)。

  4. Deep Learning 經(jīng)典閱讀材料:

  The monograph or review paper Learning Deep Architectures for AI (Foundations & Trends in Machine Learning, 2009).

  The ICML 2009 Workshop on Learning Feature Hierarchies webpage has a list of references.

  The LISA public wiki has a reading list and a bibliography.

  Geoff Hinton has readings from last year’s NIPS tutorial.

  闡述Deep learning主要思想的三篇文章:

  Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief netsNeural Computation 18:1527-1554, 2006

  Yoshua Bengio, Pascal Lamblin, Dan Popovici and Hugo Larochelle, Greedy Layer-Wise Training of Deep Networks, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems 19 (NIPS 2006), pp. 153-160, MIT Press, 2007<比較了RBM和Auto-encoder>

  Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra and Yann LeCun Efficient Learning of Sparse Representations with an Energy-Based Model, in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2007<將稀疏自編碼用于回旋結(jié)構(gòu)(convolutional architecture)>

  06年后,大批deep learning文章涌現(xiàn),感興趣的可以看下大牛Yoshua Bengio的綜述Learning deep architectures for {AI},不過(guò)本文很長(zhǎng),很長(zhǎng)……

  5. Deep Learning工具—— Theano

  Theano是deep learning的Python庫(kù),要求首先熟悉Python語(yǔ)言和numpy,建議讀者先看Theano basic tutorial,然后按照Getting Started 下載相關(guān)數(shù)據(jù)并用gradient descent的方法進(jìn)行學(xué)習(xí)。

  學(xué)習(xí)了Theano的基本方法后,可以練習(xí)寫(xiě)以下幾個(gè)算法:

  有監(jiān)督學(xué)習(xí):

  Logistic Regression - using Theano for something simple

  Multilayer perceptron - introduction to layers

  Deep Convolutional Network - a simplified version of LeNet5

  無(wú)監(jiān)督學(xué)習(xí):

  Auto Encoders, Denoising Autoencoders - description of autoencoders

  Stacked Denoising Auto-Encoders - easy steps into unsupervised pre-training for deep nets

  Restricted Boltzmann Machines - single layer generative RBM model

  Deep Belief Networks - unsupervised generative pre-training of stacked RBMs followed by supervised fine-tuning

  最后呢,推薦給大家基本ML的書(shū)籍:

  Chris Bishop, “Pattern Recognition and Machine Learning”, 2007

  Simon Haykin, “Neural Networks: a Comprehensive Foundation”, 2009 (3rd edition)

  Richard O. Duda, Peter E. Hart and David G. Stork, “Pattern Classification”, 2001 (2nd edition)



評(píng)論


相關(guān)推薦

技術(shù)專區(qū)

關(guān)閉