深度学习引言

深度学习引言

1. 假定想要根据房屋面积拟合一个预测房价的函数，我们令房屋面积作为神经网络的输入$x$，通过一个神经元进行预测，最终输出价格$y$。这就是最简单的单神经网络（感知机），神经元对输入进行加权求和，加上偏置，然后通过一个激活函数得到输出。

   $$y=f(wx+b)$$

   为了捕捉更复杂的非线性关系，可以构建深度神经网络，它由多个层次的神经元组成。每一层对前一层的输出进行非线性变换，使得整个网络能够学习数据的高阶特征。深度神经网络通过堆叠简单的神经元，并利用非线性激活函数，可以用于解决各种复杂的预测和分类问题。

2. 神经网络的强大之处在于，只需要提供输入和输出的数据，网络通过训练可以自动学习输入与输出之间的复杂非线性关系，而无需人为地设计特征提取的规则。神经网络的结构通常由输入层、一个或多个隐藏层以及输出层组成。输入层接收原始数据，隐藏层通过一系列的加权求和和非线性激活函数来提取特征，输出层生成最终的预测结果。通过调整网络的结构和训练参数，神经网络能够在各种任务中取得优异的性能。

3. 每个神经元本质上都是函数，可以是线性函数也可以是非线性函数。ReLU(Rectified Linear Unit，修正线性单元)是一种线性激活函数。

   $$\text{ReLU}(x)=max(0,x)$$

   这意味着当输入$x$为正时，输出为$x$，当输入为0或负数时，输出为0。ReLU函数形式简单，计算速度快。还可以缓解梯度消失问题，ReLU在正区间梯度为1，能有效缓解深层神经网络中的梯度消失现象。ReLU会将部分神经元的输出置为零，从而引入稀疏性，有助于防止过拟合并提高模型的泛化能力。

   但是在训练过程中，如果某些神经元的参数更新导致其再也无法激活（输出始终为零），这些神经元将对模型无贡献。这可能是由于学习率过大或偏置初始化不当引起的。为了解决这个问题，引入Leaky ReLU，使得函数在负数区域也有非零输出。

   $$\text{Leaky ReLU}(x)=\{\begin{array}{ll}x,& \text{if }x>0\\ \alpha x,& \text{if }x\le 0\end{array}$$

4. Sigmoid激活函数是一种常用的非线性激活函数。它能够将输入映射到0到1之间的输出，有助于神经网络学习复杂的非线性关系。
   Sigmod函数输出范围在$[0,1]$之间，非常适合用于概率预测和二分类问题。函数在整个输入范围内都是平滑且可微的，有利于反向传播算法计算梯度。

   但是也存在一些问题，例如梯度消失问题，当输入值过大或过小时，导数会变得非常小，导致梯度更新缓慢，影响深层网络的训练效率。以及非零中心化输出问题，输出值始终为正数，可能导致后续层的神经元输入出现偏移，影响训练效果。

   $$Sigmod(x)=\frac{1}{1+e^{-x}}$$

   

5. 监督学习是机器学习的主要类别之一，主要任务是学习输入$x$和输出$y$之间的映射函数。一般来说，我们使用深度神经网络进行房价预测、广告点击预测等，使用卷积神经网络(Convolutional Neural Network， CNN)进行图像分割、物体识别等，使用卷积神经网络(Recurrent Neural Network， RNN)处理序列数据，如机器翻译、语音识别等。

6. 结构化数据是指以预定义格式组织的、可以存储在关系型数据库中的数据，具有明确的字段和数据类型。非结构化数据则包括音频、图像、文本、视频等没有固定数据模型的数据，需要特定的方法进行处理。在非结构化数据中，图像的像素值、文本的单词等都可以视为特征。人类凭借自身的感知和认知能力，能够轻松理解这些非结构化数据的内容，但计算机要理解这些数据则较为困难。深度学习通过构建多层神经网络，能够自动从非结构化数据中学习特征表示，帮助计算机更好地理解和处理这些数据。

7. 假设我们绘制一张图，水平轴代表任务的数据量，垂直轴代表机器学习算法的性能，代表着不同机器学习算法随着数据量增大的性能提升表现。

   对于传统的机器学习算法，性能最初会随着数据量的增加而提升，但由于模型容量的限制和对手动特征工程的依赖，性能在达到一定程度后会趋于平稳，难以进一步提升。（传统机器学习算法需要精心设计的特征来提升性能，当数据量增大且特征复杂时，手动特征工程变得困难。）

   相比之下，神经网络，尤其是深度神经网络，展示了随着数据量的增加和模型规模的扩大，性能可以持续提升的趋势。如果我们训练一个小型的神经网络，性能会有所提高；训练一个中等规模的神经网络，性能会进一步提升；而当我们训练一个大型神经网络时，随着数据量的增多，性能可能会持续显著提高。

   

   因此，要想获得更高的性能，首先需要训练一个规模足够大的神经网络，以充分利用大量数据的优势；其次，需要大量的标记训练数据来支持模型的训练，规模推动深度学习的进步。

8. 我们用$m$表示训练集的规模。当训练集规模较小的时候，模型能从数据中学习到的信息有限，这时特征工程的能力以及算法的精细调整决定了模型的最终性能。优秀的特征工程可以帮助模型在小数据集上取得更好的效果。当训练集规模庞大时，神经网络尤其是深度神经网络能够持续展现其优势，因为它们可以从大量数据中自动学习复杂的特征和模式，性能会随着数据量的增加而不断提升。

9. 经验丰富的深度学习工程师在处理新问题时，通常可以利用对以往问题的洞察力，在第一次尝试时就训练出一个良好的模型，而无需多次迭代不同的模型。这个说法是错误的，因为找到模型的特点是获得良好性能的关键。虽然经验会有所帮助，但要建立一个好的模型需要多次反复试验。

10. GPU/CPU硬件的改进有助于发现更好的深度学习算法。通过加快迭代过程，更好的硬件可以让研究人员发现更好的算法。而更好的算法可以减少必要的计算时间，从而加快迭代过程。ReLU激活函数的引入可以帮助缩短训练模型所需的时间的。

原文地址：https://blog.csdn.net/m0_60541499/article/details/143569688

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！