深度学习(Deep learning)

什么是深度学习?

深度学习是一种高级的机器学习方法,它试图模仿人脑的学习方式。深度学习的关键是创建**人工神经网络 (ANN)**,该网络使用数学函数来模拟生物神经元的电化学活动,如下所示。

生物神经网络人工神经网络
神经元对电化学刺激做出反应。当神经元被激活时,信号会传递给连接的神经元。每个神经元是一个函数,它对输入值 (x) 和权重 (w) 进行计算。该函数封装在激活函数中,激活函数决定是否将输出传递到下一层。

人工神经网络由多个层的神经元组成,本质上定义了一个深度嵌套函数。由于这种架构,这种技术被称为**深度学习 (Deep Learning),其生成的模型通常称为深度神经网络 (DNN)**。

深度神经网络可用于许多机器学习问题,包括回归分类,以及更专业的自然语言处理 (NLP) 和计算机视觉任务。


深度学习的工作原理

与本模块讨论的其他机器学习技术类似,深度学习涉及拟合训练数据到一个函数,该函数可以根据一个或多个特征 (x) 预测一个标签 (y)。该函数 (f(x)) 是一个嵌套函数,其中神经网络的每一层都封装了作用于 x 和权重 (w) 的函数。

训练模型的算法包括:

  1. **前向传播 (Forward Propagation)**:
    • 逐层传递训练数据的特征值 (x),计算输出值 ŷ。
  2. **计算误差 (Loss Calculation)**:
    • 评估计算出的 ŷ 与已知 y 之间的误差,量化模型的损失 (Loss)。
  3. **优化权重 (Weight Optimization)**:
    • 通过修改权重 (w) 来减少误差,使模型更准确。
  4. 最终模型
    • 训练后的模型包含调整后的权重,能够提供最准确的预测结果。

示例:使用深度学习进行分类

为了更好地理解深度神经网络模型的工作原理,我们来看一个使用神经网络对企鹅物种进行分类的示例。

**特征数据 (x)**:

  • 企鹅喙的长度
  • 企鹅喙的深度
  • 企鹅翅膀的长度
  • 企鹅的体重

在这个例子中,输入 x 是一个包含四个值的向量:

x = [x_1, x_2, x_3, x_4]

输出数据 (y)

我们要预测企鹅的品种,可能的类别有:

  • 阿德利企鹅 (Adelie)
  • 金图企鹅 (Gentoo)
  • 颏带企鹅 (Chinstrap)

这是一个分类问题,机器学习模型必须预测一个观测值属于哪种类别。分类模型通过预测每个类别的概率分布来实现这一点,即:

y = [P(y=0|x), P(y=1|x), P(y=2|x)]

预测企鹅品种的过程

推理过程 (Inference)

输入数据: 企鹅的特征向量 [37.3, 16.8, 19.2, 30.0] 传入神经网络的输入层。

计算权重和激活函数: 第一层的神经元计算加权和 (Weighted Sum),然后传递到激活函数 (Activation Function),决定是否传递到下一层。

前向传播 (Forward Propagation): 每层的神经元连接到下一层的所有神经元,形成全连接网络 (Fully Connected Network)。

输出层: 输出层使用 Softmax 函数计算每个类别的概率,例如:

[0.2, 0.7, 0.1]

最高概率是 0.7,对应类别 1 (Gentoo),所以模型预测该企鹅的种类是金图企鹅 (Gentoo)。

深度神经网络如何学习?

学习过程

数据输入: 训练数据的特征被输入到输入层。

前向传播 (Forward Propagation): 每个神经元对输入数据应用初始随机权重,并通过网络传递数据。

计算损失 (Loss Calculation): 损失函数 (Loss Function) 计算预测值 ŷ 与真实值 y 之间的误差。 例如,预测输出 [0.3, 0.1, 0.6],而真实类别为 Chinstrap (类别 2): y = [0.0, 0.0, 1.0]

误差计算: [0.3, 0.1, 0.4]

优化权重 (Weight Optimization): 计算每个权重对误差的影响,并调整权重以减少误差。 训练算法通常采用梯度下降 (Gradient Descent) 进行优化,使误差最小化。

反向传播 (Backpropagation): 误差通过网络反向传播,调整所有层的权重。

重复训练 (Epochs): 该过程会重复多次,直到损失最小化,模型准确性提高。

总结

深度学习是一种基于神经网络的机器学习方法,用于自动学习数据模式。
通过前向传播和反向传播优化权重,模型可以不断提高预测准确率。
训练过程涉及多个步骤,包括误差计算、梯度下降和反向传播。

🔗 进一步学习:

  • 深度学习基础
  • PyTorch 深度学习教程
  • TensorFlow 官方文档

📢 欢迎 Star ⭐ 本仓库,获取更多 AI 资源!

声明:来自硅基-桂迹,仅代表创作者观点。链接:https://eyangzhen.com/1717.html

硅基-桂迹的头像硅基-桂迹

相关推荐

关注我们
关注我们
购买服务
购买服务
返回顶部