深度学习笔记

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、逻辑回归深度学习深度学习是一种模仿人脑神经网络结构和功能的机器学习方法通过构建多层神经网络模型自动从大规模数据中学习复杂的特征表示。其核心原理包括层次化特征提取和端到端学习层次化特征提取通过多层非线性变换逐步提取数据的高级语义特征端到端学习直接学习输入与输出间的映射关系无需人工干预这种机制使深度学习能有效处理高维、非线性数据在图像识别、语音识别和自然语言处理等领域展现出卓越性能卷积神经网络(CNN)卷积神经网络(Convolutional Neural Network, CNN)是一种专为处理网格状拓扑数据而设计的深度学习模型尤其擅长处理图像和视频数据。其独特之处在于利用卷积层和池化层来高效地提取和学习图像特征同时通过多层非线性变换实现复杂模式的识别。CNN的核心组件包括卷积层使用一组可学习的滤波器对输入图像进行卷积运算生成特征图。这一过程能够捕捉图像中的局部特征如边缘和纹理。池化层主要用于减小特征图的空间尺寸同时保留最显著的特征。最常见的池化操作是最大池化即选择区域中的最大值作为下采样后的特征。全连接层负责将卷积层和池化层提取的特征映射到最终的输出类别。全连接层的每个神经元都与前一层的所有神经元相连实现了特征的全局整合。CNN的一个关键特性是权重共享。在同一卷积层中同一卷积核在不同位置使用相同的权重参数这大大减少了模型的参数量同时也体现了图像局部特征的重要性。在实际应用中CNN面临着一些挑战如过拟合问题。为此研究者们提出了多种优化策略数据增强 通过对训练图像进行随机变换和扩充增加训练样本的多样性提高模型的泛化能力。批量归一化 通过对每个小批量输入进行归一化来规范化网络中的中间激活值加速训练过程并提高网络的泛化能力。Dropout 在训练过程中随机将一部分神经元输出置为0减少模型的过拟合风险。CNN在计算机视觉领域展现出了卓越的性能主要应用包括图像分类 CNN可以学习从原始像素到类别标签之间的映射关系通过在大量标注的图像数据集上进行训练自动学习到用于图像分类的特征表示。目标检测 CNN可以通过在不同位置和尺度上滑动窗口并对每个窗口进行分类来实现目标检测实现在图像中识别和定位特定对象。人脸识别 CNN可以学习人脸的特征表示并在图像中进行人脸检测和识别用于身份认证和安全系统。循环神经网络(RNN)循环神经网络(Recurrent Neural Network, RNN)是一种专门设计用于处理序列数据的神经网络架构。与传统前馈神经网络不同RNN具有循环连接能够在处理序列数据时保留和利用之前的状态信息。这种独特的结构赋予了RNN强大的序列处理能力使其成为自然语言处理、语音识别等领域的重要工具。RNN的核心特性包括记忆能力 RNN通过隐藏状态保留序列中的上下文信息使得网络能够记住之前的状态。这种记忆机制使得RNN能够捕捉序列中的长期依赖关系这对于理解自然语言等序列数据至关重要。参数共享 RNN在不同时间步之间共享参数这不仅降低了模型的复杂度还提高了模型在处理不同长度序列时的效率。然而RNN也面临一些挑战主要包括梯度消失和梯度爆炸 在训练过程中RNN可能出现梯度消失或梯度爆炸问题这会导致模型难以训练或收敛缓慢。特别是对于长序列数据RNN难以有效地捕捉长距离依赖关系。为了克服这些限制研究人员提出了两种重要的RNN变体在自然语言处理领域RNN展现了广泛的应用前景语言模型 RNN能够理解文本序列的上下文关系预测下一个单词从而提升输入法的智能性和翻译工具的流畅度。机器翻译 RNN在seq2seq模型中发挥关键作用通过编码器-解码器架构实现从一种语言到另一种语言的转换。情感分析 RNN通过逐字逐句处理文本提取情感信息实现对文本情感倾向的自动识别和分类。语音识别 RNN能够处理语音信号的时间序列数据将语音信号准确转换为对应的文本。文本生成 RNN通过学习大量文本数据理解语言结构和模式实现高质量的自动文本生成。这些应用充分展示了RNN在处理序列数据方面的强大能力为自然语言处理等领域提供了有力的技术支持。Transformer模型Transformer模型是由Vaswani等人在2017年提出的革命性架构彻底改变了自然语言处理NLP领域。其核心创新在于引入了自注意力机制巧妙地解决了传统循环神经网络RNN在处理长距离依赖关系时面临的困境。Transformer模型的架构由编码器-解码器组成每个部分包含多个相同的层。这种设计允许模型并行处理输入序列大幅提升了计算效率。具体而言Transformer的架构特点包括自注意力机制 通过计算输入序列中任意两个位置之间的关联度捕捉全局依赖关系。这种方法使得模型能够并行处理输入序列中的每个位置显著提高了计算效率。多头注意力 将自注意力机制分解为多个独立的“头”每个头独立计算注意力权重然后将结果拼接在一起。这种设计不仅增加了模型的表示能力还有助于捕捉输入序列中的不同方面信息。位置编码 为解决模型缺乏固有位置概念的问题Transformer引入了位置编码。这是一种特殊的向量与单词嵌入向量相加使得模型能够区分输入序列中词的位置。残差连接和层归一化 这些技术的引入有效解决了深层网络训练中的梯度消失问题提高了模型的稳定性和性能。在NLP任务中Transformer模型展现出了卓越的性能。特别是在机器翻译任务中Transformer不仅显著提高了翻译质量还大幅缩短了训练时间。此外Transformer在文本生成、文本分类、命名实体识别等任务中也取得了优异的成绩。值得注意的是Transformer的出现推动了预训练语言模型的发展。随后出现的BERT、GPT等模型都是基于Transformer架构的变体进一步提升了NLP任务的性能水平。这些预训练模型通过在大规模未标注文本上进行无监督学习获得了强大的语言理解能力为下游任务提供了优秀的初始化参数。生成对抗网络(GAN)生成对抗网络(Generative Adversarial Networks, GAN)是一种革命性的深度学习模型由Ian Goodfellow等人于2014年提出。GAN的独特之处在于其采用了一种新颖的训练方式通过两个神经网络的对抗来学习数据分布从而实现高质量的样本生成。GAN的核心组成部分包括生成器(Generator) 负责将随机噪声转化为与真实数据相似的样本。判别器(Discriminator) 用于判断输入样本是真实数据还是生成器生成的假样本。GAN的训练过程可以概括为以下几个关键步骤生成器接收随机噪声作为输入生成假样本。判别器同时接收真实样本和生成样本输出样本为真实的概率。根据判别器的输出计算损失函数并更新生成器和判别器的权重。在这个过程中生成器和判别器形成了一个动态的“博弈过程”生成器的目标是最大限度地欺骗判别器使生成的样本尽可能接近真实样本。判别器的目标是准确地区分真实样本和生成样本。通过这种对抗训练GAN能够逐步学习到真实数据的分布特征并生成高度逼真的样本。在实际应用中GAN在图像生成领域展现出了卓越的性能。例如图像超分辨率 GAN可以将低分辨率图像转化为高分辨率图像显著提升图像质量。图像风格迁移 GAN能够将一幅图像的风格转移到另一幅图像上创造出全新的视觉效果。图像修复 GAN可用于填补图像缺失的部分重建完整的画面。然而GAN的训练过程也存在一些挑战如模式崩溃等问题。为了解决这些问题研究者们提出了多种改进方案如Wasserstein GAN(WGAN)、Conditional GAN(CGAN)等变体这些改进使得GAN在各种生成任务中表现出色为人工智能领域带来了巨大的创新潜力。通过构建多层网络对目标进行多层表示以期通过多层的高层次特征来表示数据的抽象语义信息获得更好的特征鲁棒性。鲁棒性 模型的 “抗干扰能力、稳定性”简单说图片变了、环境变差模型还能不能认对。英文Robust也常被叫健壮性、容错性。图像处理领域主要应用图像分类(物体识别)整幅图像的分类或识别物体检测检测图像中物体的位置进而识别物体图像分割对图像中的特定物体按边缘进行分割图像回归预测图像中物体组成部分的坐标语音识别领域主要应用语音识别将语音识别为文字声纹识别识别是哪个人的声音语音合成根据文字合成特定人的语音自然语言处理领域主要应用语言模型根据之前词预测下一个单词。情感分析分析文本体现的情感(正负向、正负中或多态度类型)。神经机器翻译基于统计语言模型的多语种互译。神经自动摘要根据文本自动生成摘要。机器阅读理解通过阅读文本回答问题、完成选择题或完型填空。自然语言推理根据一句话(前提)推理出另一句话(结论)。感知机是神经网络和支持向量机的基础。类似于现在说的神经元。多层感知机多层感知机由感知机推广而来最主要的特点是有多个神经元层因此也叫深度神经网络。相比于单独的感知机多层感知机的第i ii层的每个神经元和第i − 1 i-1i−1层的每个神经元都有连接。输出层可以不止有11个神经元。隐藏层可以只有11层也可以有多层。人工神经网络由神经元模型 构成这种由许多神经元组成的信息处理网络具有并行分布结构。前向传播foward propagation, FP作用于每一层的输入通过逐层计算得到输出结果反向传播backward propagation, BP作用于网络的输出通过计算梯度由深到浅更新网络参数。超参数在机器学习的上下文中超参数是在开始学习过程之前设置值的参数而不是通过训练得到的参数数据。通常情况下需要对超参数进行优化给学习机选择一组最优超参数以提高学习的性能和效果。超参数具体来讲比如算法中的学习率learning rate、梯度下降法迭代的数量iterations、隐藏层数目hidden layers、隐藏层单元数目、激活函数 activation function都需要根据实际情况来设置这些数字实际上控制了最后的参数和的值所以它们被称作超参数。激活函数(Activation functions)对于人工神经网络 模型去学习、理解非常复杂和非线性的函数来说具有十分重要的作用。它们将非线性特性引入到我们的网络中。如下图在神经元中输入的 inputs 通过加权求和后还被作用了一个函数这个函数就是激活函数。**引入激活函数是为了增加神经网络模型的非线性。**没有激活函数的每层都相当于矩阵相乘。就算你叠加了若干层之后无非还是个矩阵相乘罢了。梯度下降算法前向计算过程与反向传播过程。前向计算过程是指通过我们预先设定好的卷积层、池化层等等按照规定的网络结构一层层前向计算得到预测的结果。反向传播过程是为了将设定的网络中的众多参数一步步调整使得预测结果能更加贴近真实值。参数应该是朝着目标损失函数下降最快的方向更新更确切的说要朝着梯度方向更新三种最基本的梯度下降算法SGD、BGD、MBGD他们各有优劣。1调整学习率使得优化更稳定2梯度估计修正优化训练速度。随机梯度下降法 SGD每次迭代更新参数只使用单个训练样本批量梯度下降法 BGD每次迭代更新中使用所有的训练样本量梯度下降法 (Mini-Batch Gradient DescentMBGD)折中了 BGD 和 SGD 的方法每次迭代使用 batch_size 个训练样本进行计算AdagradAdadeltaRMSprop 优化器Momentum 动量梯度下降Adam 优化器