第一课.深度学习简介
机器学习
在吴恩达老师的课程中,有过对机器学习的定义:
ML:<P T E>
P即performance,T即Task,E即Experience,机器学习是对一个Task,根据Experience,去提升Performance;
在机器学习中,神经网络的地位越来越重要,实践发现,非线性的**函数有助于神经网络拟合分布,效果明显优于线性分类器:
y
=
W
x
+
b
y=Wx+b
y=Wx+b
常用**函数有ReLU,sigmoid,tanh;
sigmoid将值映射到(0,1):
y
=
1
1
+
e
x
p
(
−
x
)
y=\frac{1}{1+exp(-x)}
y=1+exp(−x)1
tanh会将输入映射到(-1,1)区间:
y
=
e
x
p
(
x
)
−
e
x
p
(
−
x
)
e
x
p
(
x
)
+
e
x
p
(
−
x
)
y=\frac{exp(x)-exp(-x)}{exp(x)+exp(-x)}
y=exp(x)+exp(−x)exp(x)−exp(−x)
#**函数tanh
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
def tanh(x):
return (np.exp(x)-np.exp(-x))/(np.exp(x)+np.exp(-x))
X=np.linspace(-5,5,100)
plt.figure(figsize=(8,6))
ax=plt.gca()#get current axis:获取当前坐标系
#将该坐标系的右边缘和上边缘设为透明
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
#设置bottom是x轴
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
#设置left为y轴
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
ax.plot(X,tanh(X),color='blue',linewidth=1.0,linestyle="-")
plt.show()
开源框架
当神经网络层数加深,可以加强捕捉分布的效果,可以简单认为深度学习指深层神经网络的学习;
当前有两大主流的深度学习框架:Pytorch和Tensorflow;
Pytorch支持动态计算图,使用起来更接近Python;
Tensorflow是静态计算图,使用起来就像一门新语言,据说简单易用的keras已经无人维护,合并到tensorflow;
一个深度学习项目的运行流程一般是:
方向概览
当前计算机视觉的发展相对于自然语言处理更加成熟,NLP的训练比CV更耗费资源,CV模型相对较小;
在CV方向:
1.图像分类(ResNet,DenseNet)
2.目标检测ObjectDetection
3.风格迁移StyleTransfer
4.CycleGAN:比如图像中马到斑马,也可以从斑马返回马
5.ImageCaptioning:从图像生成描述文本,一般用CNN获得feature,再输入RNN获得文本
在NLP方向:
1.情感分析:分类影评数据
2.QuestionAnswering:一段问题->给出答案
3.Translation:可以用OpenNMT-py,OpenNMT-py是开源的seq->seq模型
4.ChatBot聊天机器人,基于QuestionAnswering,目前刚起步
另外还有强化学习Deep Reinforcement Learning,从简单的打砖块游戏到著名的阿尔法Go;
以及预训练语言模型:给一段话,让机器继续说下去,比如BERT,GPT2;
迁移学习
在CV中,NN的低层可以提取位置信息(边,角等精细信息),高层提取抽象信息,所以低层的网络可以反复使用,更改高层再训练以适用其他任务
上一篇: MongoDB怎么去除大量重复的数据
下一篇: senium.common.exceptions.WebDriverException: Message: ‘chromedriver‘ executable needs to be in PATH
推荐阅读
-
R语言——基础学习——第一课
-
HTML学习 第一课
-
第一课.深度学习简介
-
学习 scrapy 第一课
-
kubernetes(k8s) 学习 (十) k8s存储之 Volumes (简介+emptyDir卷+hostpath卷+nfs卷)
-
深度学习框架TensorFlow学习与应用(七)——循环神经网络(RNN)应用于MNIST数据集分类
-
ROS学习笔记------ROS深度解析----- day 6 2019/3/14 帅某(Karto SLAM算法学习)
-
【深度学习笔记】torch.nn.Sequential(* args) 与 torch.nn.Module
-
深度学习总结:tensorflow和pytorch关于RNN的对比,tf.nn.dynamic_rnn,nn.LSTM
-
JUC--ReenTrantLock学习(一)简介与使用