深度学习的工作原理&学习方式

14天学习训练营导师课程:李立宗《讲给入门者的深度学习》

工作原理

以培育水稻为例,影响水稻生长的因素包括:施肥量、灌溉量、施肥时间、插秧密度等。

想要获得影响生长因素的各项参数的最优值,我们需要下很多功夫进行经年累月的实验和观察,才能够获得最优参数。而且通过实验结果,不断去迭代优化,获得最优值。


那么我们如何来构造一个系统呢?
首先先设定一个基本参数,让系统运行起来(例如设置施肥量、灌溉量等的初始值);
观察结果如何,然后不断的修改参数(重复这个过程);
达到目标(最优结果),保留参数;
系统可以不断的复用。

 反向传播:
1、网络初始化(随机初始化参数值)
2、前向反馈(网络试运行)
3、误差评估(评估结果满意度)
4、根据第3步的值调整参数
5、重复第3步、第4步

 神经网络工作的核心:
初始的参数值是随机的
后续参数值的调整是非常科学的(严格的数学公式保证向着最优参数逼近);
如何进行参数的调整,至关重要。

参数的重要性

立宗老师通过方阵选拔选手的例子,向我们参数了身高、体重的权重设置很关键,只要更改权重参数,那么我们获得的结果也大有不同,所以深度学习需要做的就是合理地分配参数的权重,只要把权重和数字配置合理,那么我们就能够将深度学习做的非常好,如果权重设置不正确,那么可能会让我们的偏差越来越大,甚至出现南辕北辙的情况。

学习方式

深度学习方法主要分为有监督和无监督两种方式。

有监督(数据+标签)

如果需要区分猫和狗,首先通过深度学习的方式知道猫和狗的特征(也就是让我们打标签),我们需要找来大量的图像,对他们进行标注。通过深度学习之后,对照他们的特点,从而判定它是猫还是狗。

 无监督(只有数据,无标签)

 直接将无标记的样本直接丢给电脑自己处理,电脑会将其分为类A和类B两组,现有我们可能没有办法做到,但是随着我们的学习深入是能够直接将两种特征分割开~

  有监督学习识别案例

通过定位的数值计算,获得数值结果,我们会发现距离1相对距离2更小,与我们识别的对象更加接近,所以最后我们能够获得识别的对象为8,而不是7

  有监督学习工作流程

   无监督学习识别案例

 直接由电脑对我们需要识别的内容进行分类,通过不断的迭代分类,不断优化,到最后迭代没有办法进行下去了,这个时候获得的就是分类结果

    无监督学习分类步骤:

以选取豆子为例:

第一步,随机选取两颗参考豆子

 第二步,计算每颗豆子的直径距离豆子A和豆子B的距离

 第三步,分别计算第一组豆子和第二组豆子的直径平均值,然后,将各个豆子按照与直径平均值 的距离大小划分分组。

 第四步,重复第三步,一直到分组稳定不发生变化,则认为分组完成。

 k均值聚类算法:
1、随机选取k个点作为分类的中心点;
2、将每个数据点放入到距离它最近的类别中心点所在类中(使用距离公式);
3、重新计算各个分类数据点的平均值,将该平均值作为新的类中心点;
重复步骤2和3,直到分类稳定。

 以上就是针对深度学习的工作原理&学习方式的学习和笔记

作者:光酱ZG原文地址:https://blog.csdn.net/qq_43540141/article/details/128027174

%s 个评论

要回复文章请先登录注册