- 1、本文档共79页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
机器学习- 深度学习
本章学习目标
n 了解人脑神经元的结构及特点,熟悉人工神经元模型。
n 掌握感知机的基本原理,熟悉前馈神经网络的特征以及反向传播的思想。
n 熟悉Sigmoid、Tanh、ReLU、LReLU等激活函数的特点及应用。
n 熟悉卷积神经网络的基本结构以及局部连接和权重共享等特点,掌握卷积、
池化操作。
n 了解LSTM 中的输入门、遗忘门和输出门的工作机制和作用。
n 了解生成式对抗网络的基本原理,熟悉生成器和判别器的作用。
n 了解原始GAN 的优缺点以及各种衍生模型的特点及应用。
第13章 深度学习
机器学习
n 机器学习 (Machine Learning)是一 门专门研
究计算机怎样模拟或实现人类的学习行为,
以获取新的知识或技能,重新组织已有的知
识结构 不断改善 自身的性能的学科 ,简单地
说 ,机器学习就是通过算法,使得机器能从
大量的历史数据 中学习规律 ,从而对新的样
本做智能识别或预测未来。
n 机器学习在 图像识别、语音识别、 自然语言
理解、天气预测、基 因表达、 内容推荐等很
多方面的发展还存在着没有 良好解决的问题。
特征的自学习
传统的模 式识别方法:
通过传感器获取数据 ,然后经过预处理、特征提取、特征选
择、再到推理、预测或识别。
特征提取与选择的好坏对最终算法的确 定性 齐 了非常关键 的
作 用。而特征 的样 式 目前一般都是靠人工提取特征 。而手工
选取特征 费时费力,需要专业知识 ,很 大程度上靠经验和运
气,那 么机器能不能 自动的学习特征呢?深度学习的出现就
这个 问题提 出了一种解决方案。
深度学习
n 自2006年 ,深度学习 (Deep Learning) 已经成为机器学习研
究中的一个新兴领域 ,通常也被叫做深层结构学习或分层
学习。其动机在 于建立、模拟人脑进行分析学习的神经网
络 ,它模拟人脑的机制来解释数据 ,例如 图像 ,声音和文
本,深度学习是监督学习的一种。
n 深度学习的概念源于人工神经网络的研 究,含 多隐层的多
层感知 器就是一种深度学习结构 。深度学习通过组合低层
特征形成更加抽 象的高层表示属性类别或特征 ,以发现数
据 的分布 式特征表示。
人脑的视觉机理
1981年的诺 贝尔医学奖获得者 David Hubel和Torsten Wiesel发
现 了视 觉系统的信 息处理机制 ,他们发现了一种被称为 “方
向选择性细胞的神经元细胞,当瞳孔发现了眼前的物体的边
缘,而且这个边缘指向某个方向时,这种神经元细胞就会活
跃。
由此可知人的视 觉系统的信 息处理是分级的,高层的
特征是低层特征 的组合,从低层到高层的特征表示越来越抽
象,越来越能表现语 义或者意图,抽 象层面越 高,存在 的可
能猜测就越 少,就越利于分类。
浅层学习与深度学习
n 传统机器学习和信号处理技术探索仅含单层非线性 变换的
浅层学习结构 。浅层模型的一个共性是仅含单个将原始输
入信号转换到特定问题 空间特征 的简单结构 。典型的浅层
学习结构 包括传统隐马尔科夫模型(HMM) 、条件随机场
(CRFs) 、最大熵模型(Max Ent) 、支持 向量机(SVM) 、核 回归
及仅含单隐层的多层感知 器(MLP) 等。
n 浅层结构 的局 限性在 于有限的样本和计算单元情况下对复
杂的函数表示能力有限,针对复杂分类问题其泛化能力受
到一定的制约。
n 受到大脑结构分层的启发 ,神经网络的研 究发现
多隐层的人工神经网络具有优异的特征 学习能力,
学习得到的特征对数据有更本质 的刻画,从而有
利于可视化或分类;而深度神经网络在训练上的
难度 ,可以通过 “逐层初始化”来有效克服。
n 深度学习可以通过学习一种深层非线性 网络结构 ,
实现复杂函数逼近 ,表征输入数据分布 式表示,
并展现 了强大的从少数样本中集中学习数据及本
质特征 的能力。
n 深度学习的实质
n 通过构建具有很 多隐层的机器学习模型和海量的训练数据 ,来学
习更有用的特征 ,从而最终提升分类或预测的准确性。因此,
“深度模型”是手段 , “特征 学习”是
文档评论(0)