深度学习总结

2022-01-11 15:12:57   45  举报





AI智能生成

深度学习是机器学习的一个分支，它试图模仿人脑的工作原理，通过训练大量数据来自动学习数据的内在规律和表示层次。深度学习的核心是神经网络，特别是深度神经网络，即包含多个隐藏层的神经网络。深度学习在语音识别、图像识别、自然语言处理等领域取得了显著的成果。然而，深度学习也面临着一些挑战，如需要大量的标注数据、计算资源消耗大、模型解释性差等。尽管如此，深度学习仍然是一个非常有前景的研究领域，未来有望在更多领域取得突破性进展。

深度学习

作者其他创作

大纲/内容

神经网络

概念：人工神经网络，模拟信息在人脑神经元中的传递，通过现象得到信息

感知器

添加少量隐层：浅层神经网络；多隐层：DNN

表达能力及过拟合

理论上单隐层神经网络可以逼近任何连续函数（只要隐层的神经元个数足够多）

虽然从数学上看表达能力一致，但是多隐层的神经网络比单隐层的神经网络工程效果好很多

对于一些分类数据，比如CTR预估里，3层神经网络效果优于2层神经网络，但是层数再增加，最后的结果的帮助就没有那么大的跳变了。

图像数据比较特殊，是一种深层的结构化数据，深层次的卷积神经网络，能够更充分和准确的把这些层级信息表达出来

提神隐层数或者隐层神经元的个数，神经网络容量会变大，空间表达能力变强

过多隐层和神经元节点会带来过拟合问题。

不要视图通过降低神经网络参数量来减缓过拟合，用正则化或者dropout。

传递函数

S 函数（sigmoid）

双S函数

BP算法

正向传播求损失：计算预测结果和真实结果比较分析

反向传播回传误差：链式求导法则更新参数

根据误差型号修正每层的权重

SGD

DNN

层次更深的神经网络为深度神经网络

CNN

层级结构

数据输入层：Input layer

处理方法

去均值化

归一化

PCA/白化

卷积计算层：CONV Layer

深度：depth

步长：stride

填充值：zero-padding

参数共享机制；每个神经元连接数据窗的权重是固定的

RELU激励层：RELU Layer

sigmod

sigmod数值越大，求导导致为0,导致梯度弥散

Tanh

ReLU

收敛快，求梯度简单，较脆弱

Leaky ReLU

不会饱和（挂掉），计算很快

ELU-指数线性单元

ReLU所有优点都有，不会挂掉，输出均值趋于0,因为指数存在，计算量略大

Maxout

多了好些参数，计算为线性的，不会饱和和挂掉，两条直线拼接而成

实际经验

不要使用sigmod函数

首先试ReLU，但防止挂掉

如果ReLU失败，用Leaky ReLU或者Maxout

池化层：Pooling layer

夹在连续的卷积层中间

压缩数据和参数的量，减小过拟合

分为max pooling和average layer

全连接层：FC Layer

两层之间所有神经元都有权重连接

通常全连层在卷积神经网络的尾部

一般CNN结构依次为：

Input

[[CONV->RELU]*N -> Pool?]*M

[FC -> ReLU]*K

训练算法

同一般机器学习算法，首先定义LOss FUnction，衡量和实际结果之间的差距

找到最小化损失函数的W和b，CNN中的算法用SGD

SGD需要计算W和b的偏导

BP算法就是计算偏导用的

BP算法核心是求导链式法则

优缺点

优点

共享卷积核，对高维数据处理无压力

无需手动选择特征，训练好权重，即得到特征

分类效果好

缺点

需要调参，需要大量样本，训练最好用GPU

黑盒，物理含义不明确

典型CNN

LeNet

Input -> cov(5*5) -> polling(2*2) -> cov(5*5) -> pooling(2*2) -> FC -> RELU -> FC -> soft max

AlexNet

Input -> conv1(11*11) -> max pool1(3*3) -> conv2(5*5) -> max pool2(3*3) -> norm2 -> conv3(3*3) -> conv4(3*3) -> conv4(3*3) -> conv5(3*3) -> max pool3(3*3) -> FC(4096) -> FC(4096) -> FC(1000)

VGG

Input -> [conv3]*2 -> pool2 -> [conv3]*2 -> pool2 -> [conv3]*3 -> pool2 -> [conv3]*3 -> pool2 -> [conv3]*3 -> pool2 ->FC(4096) -> FC(4096) -> FC(1000) -> soft-max

GoogleNet

Intercept module

1*1卷积核进行低成本计算

Input -> [conv(3*3)]*3 -> pool -> [conv(3*3)]*3 -> inception模块组 -> inception模块组 -> Inception 模块组 -> pool(8*8) -> logit(线性) -> softmax

ResNet

如果距离输入层太远，残查传回来的信号太弱，如果每一层学习一个独立的f（x）太难，直接打通皇城到蜀地的快速通道，把input直接送到后面的层次，每次只要比原始数据学习一个残查即可

全连接层占据Alexnet，VGGNet90%的参数量，googlenet减少全连接层，用全局平均池化层来代替

Fine-tuning

利用已用于其他的目标，训练好模型的权重或者部分权重，作为初始值开始训练，可以收敛到一个较理想的状态

复用相同层的权重，新定义层取随机权重初始值，调大新定义层的学习率，调小复用层学习率

一般神经网络训练过程

SGD