第五次培训(Part 1)——机器学习和深度学习的区别
第五次培训(Part 1)——机器学习和深度学习的区别
文章目录
一、机器学习&深度学习&AI
机器学习是一种实现人工智能的方法。简单来说是从数据中自动学习算法,并使用学习到的算法去进行预测。
深度学习是一种实现机器学习的方法。简单来说,深度学习是使用深度神经网络来实现机器学习的。这里的“深度”就是说神经网络中众多的层。
机器学习和深度学习的比较:机器学习算法从数据中学习,根据所学做出明智的决策。深度学习创建人工“神经网络”,可以自己学习和做出明智的决策,特别适用于变化多端的自然数据,具有非常优良的泛化能力和鲁棒性。
二、感知机和神经网络
1、感知机——神经网络最基本的模型
1、例子中由三个输入,引入权重(weight)等实数来表示各个输入对于输出的重要程度。
2、累加所有输入,在此步骤中,还要给总和添加偏移量(偏差bias)。一开始所有神经元被赋予随机权重和随机偏差,在每次学习之后,权重和偏差逐渐接近期望的输出。3、最后,神经元计算的结果变成输出信号(将结果馈送至**函数)。
举个实际的例子:
假设周末到了,你听说厦门将会举办一个音乐节。你非常喜欢音乐,你正在由于是否要去擦家这个节日。你需要权衡以下几个因素来做出决定:
1、天气好不好?(x1)
2、你的朋友会陪你去吗?(x2)
3、坐车方便吗?(x3)
比如,如果天气很好,那么另x1=1,若天气不好,则x1=0,依此类推。
假设你是音乐的*爱好者,即使你的朋友不陪你去或者交通也不方便的情况下,你也依然很想去。但是你很在意天气状况,那么你可以为天气赋予较大的权重来表明天气对你的决策影响较大。
通过调整权重和阈值的大小,我们可以得到不同的决策模型。阈值的降低意味着你参加这个节日的意愿越强。
单层感知机的局限性:仅对线性问题具有分类能力。
2、前馈神经网络——典型的深度学习模型
在这个4层网络中,最左边的是输入层,最右边的是输出层,网络中间的叫隐藏层,因为它既不是输入层,也不是输出层。
到目前为止,我们讨论的都是前馈神经网络(feedforward neural network),也叫做深度前馈网络(deep feedforward network)或者多层感知机(multilayer perctron ,MLP),即把上一层的输出作为下一层的输入,信息总是向前传播。
三、迈向深度学习
为什么深度学习会兴起?
深度学习和神经网络背后的基本技术理念已经有好几十年了,为什么现在突然流行起来呢?
深度学习的兴起可以归功于数据规模,计算性能,以及计算算法的进步。
想要达到更好的性能:
1、需要训练一个非常大的神经网络,以发挥数据规模量巨大的优点。
2、需要更多的数据。
规模一直在推动深度学习的进步,规模不仅是神经网络的规模,还有数据的规模。这也并不是绝对的,因为最终数据会耗光,或者最终网络规模太大需要训练的时间太久。但是提升规模已经让我们在深度学习的世界中获得了大量进展。
3、算法
在深度学习崛起的初期,是数据和计算力规模的进展,但是渐渐地,尤其是近几年,也见证了算法方面的极大创新,但也是有许多算法的创新是为了让神经网络运行得更快。
算法创新的例子:
一个巨大的突破:
使用sigmoid函数时,在最低最高区域sigmoid函数的梯度会趋近于0,所以学习会变得非常缓慢。因为使用梯度下降法时,梯度接近于0时,参数会变化得很慢,学习也会变得很慢。
通过改变**函数:修正线性单元ReLU,它的梯度对于所有的正值的输入,输出都是1,因此梯度不会逐渐趋向于0。
,梯度接近于0时,参数会变化得很慢,学习也会变得很慢。
通过改变**函数:修正线性单元ReLU,它的梯度对于所有的正值的输入,输出都是1,因此梯度不会逐渐趋向于0。