六虎

深度学习深入浅出

作者：

Java大猿帅

在

深度学习是机器学习的一个分支，其间心思维是运用深层神经网络对数据进行建模和学习，然后实现辨认、分类、猜测等使命。在过去几年中，深度学习技术取得了许多突破性的效果，如在图画辨认、语音辨认、自然语言处理、游戏AI等范畴中。

本文将简要介绍深度学习的根本原理，并运用Python中的TensorFlow库演示怎么实现一个简单的神经网络模型。

一 根本原理

深度学习中最根本的模型是神经网络（Neural Network），它的结构模仿了人类的神经系统，包括多个层级（Layer）。

神经网络的根本组成单元是神经元（Neuron），每个神经元接纳多个输入，经过加权和与偏置项相加后经过一个激活函数（Activation Function）输出。

多个神经元能够组成一个层级，不同层级之间的神经元能够进行衔接，形成一个完整的神经网络。

深度学习中的深度（Depth）指的是神经网络的层数，一般来说，层数越多，网络的表达能力越强。

练习神经网络需求运用反向传达算法（Backpropagation），经过反向传达差错信号，更新神经网络中的参数（Weight）和偏置项（Bias），使得模型的输出更加接近于真实值。

深度学习中最常用的神经网络结构是多层感知机（Multilayer Perceptron，MLP），它是由多层神经元组成的网络，每层之间相互衔接，其间输入层接纳数据，输出层输出成果，中间的躲藏层则对输入数据进行非线性改换和特征提取。MLP的练习进程一般运用反向传达算法（Backpropagation，BP）进行参数优化。

二 深度学习的优点

  1. 能够自主地学习和提取特征

深度学习的一个最大优点是能够自主地学习和提取数据中的特征。比较于传统机器学习方法，需求人工提取特征，深度学习能够主动提取最相关的特征。这使得深度学习在许多范畴取得了巨大的成功，如图画辨认、自然语言处理等。

  1. 能够处理大规模数据

深度学习能够处理大规模数据，并且随着数据规模的增加，深度学习的体现也会变得更好。这使得深度学习在许多范畴都具有非常广泛的应用，如语音辨认、自然语言处理、图画辨认等。

  1. 能够处理非线性关系

传统的机器学习算法一般只能处理线性关系，但深度学习能够处理非线性关系。这使得深度学习在许多范畴都有很好的体现，如图画辨认、语音辨认等。

  1. 能够进行端到端的学习

深度学习能够进行端到端的学习，即从输入数据到输出成果的整个进程都能够经过深度学习来完结。这使得深度学习非常合适处理一些杂乱的使命，如自然语言处理、语音辨认等。

三 深度学习的缺点

  1. 数据要求高

深度学习的模型需求很多的数据进行练习，并且数据的质量也需求较高。如果数据的质量不高，比方包括较多的噪声或错误，那么深度学习的效果将会遭到很大的影响。此外，深度学习对数据的标示要求也较高，标示不准确的数据可能会影响模型的学习效果。

  1. 核算资源要求高

深度学习的模型一般需求进行很多的核算，因而需求较高的核算资源。在传统的CPU上练习深度学习模型往往非常缓慢，因而需求运用GPU或者TPU等硬件加速器来加快练习速度。此外，练习深度学习模型所需求的存储资源也非常大，因而需求较高的存储容量。

  1. 模型过于杂乱

深度学习的模型一般非常杂乱，包括很多的参数和层数，因而很难了解其内部的作业原理。这使得深度学习模型的可解释性较低，难以分析和调试。此外，过于杂乱的模型也简单过拟合，导致在新数据上的体现不佳。

  1. 对人类知识的依靠较低

深度学习能够自主地提取数据中的特征，然后免去了手动特征提取的繁琐进程。但是，这也使得深度学习模型对人类知识的依靠较低。这意味着深度学习可能会疏忽一些重要的特征，由于这些特征在数据中并不显着。一起，深度学习也简单遭到数据集自身的误差影响，然后导致模型的猜测成果不准确。

四 深度学习应用

深度学习能够应用于各种范畴，比方图画辨认、自然语言处理、语音辨认等。在图画辨认范畴，深度学习能够用来辨认图画中的物体，然后协助核算机自主地了解图画内容。在自然语言处理范畴，深度学习能够用来主动翻译、问答、文本生成等使命。在语音辨认范畴，深度学习能够用来辨认人的语音指令，然后协助人们更方便地与核算机进行交互。

手写数字辨认

TensorFlow是由Google开发的一个开源机器学习库，能够用于各种机器学习使命，包括深度学习。它的中心是一个图（Graph）核算模型，用户能够运用TensorFlow构建图中的节点（Node）和边（Edge），并履行核算。

在TensorFlow中，神经网络模型是经过一系列的层级（Layer）组成的。每个层级包括多个神经元（Neuron），每个神经元的输出经过一个激活函数（Activation Function）进行改换。TensorFlow提供了多种常用的激活函数，如sigmoid、ReLU、tanh等。

手写数字辨认是深度学习中的一个经典问题，它要求辨认0-9十个数字的手写图画。在本文中，咱们将运用MNIST数据集，它包括了一系列已经被标记过的手写数字图画，每个图画的巨细为28×28像素。

首先，咱们需求导入必要的库：

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt

然后，咱们需求加载手写数字数据集MNIST，并对数据进行预处理：

mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
train_images = train_images.reshape((-1, 784))
test_images = test_images.reshape((-1, 784))

接下来，咱们能够界说咱们的神经网络模型：

model = keras.Sequential([
   keras.layers.Dense(128, activation='relu', input_shape=(784,)),
   keras.layers.Dropout(0.5),
   keras.layers.Dense(10, activation='softmax')
])

这个模型有两个躲藏层，第一个躲藏层有128个神经元，运用ReLU激活函数，第二个躲藏层运用Dropout来避免过拟合，输出层有10个神经元，运用softmax激活函数。

接下来，咱们需求编译模型，并练习它：

model.compile(optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=10, batch_size=64,
           validation_data=(test_images, test_labels))

咱们运用Adam优化器，稀少交叉熵损失函数和准确率作为点评目标进行模型编译。然后，咱们运用fit方法来练习模型，将练习集和测试集传递给模型，并设置10个epochs和64个batch size。

最后，咱们能够运用练习好的模型来对手写数字进行猜测：

predictions = model.predict(test_images)
print(np.argmax(predictions[:10], axis=1))
print(test_labels[:10])

咱们运用predict方法来对测试集进行猜测，并运用argmax函数找到猜测成果中最大值的索引，作为猜测的类别。最后，咱们打印前10个猜测成果和它们对应的真实标签。

完整代码：

import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
mnist = keras.datasets.mnist
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
train_images = train_images.reshape((-1, 784))
test_images = test_images.reshape((-1, 784))
model = keras.Sequential([
   keras.layers.Dense(128, activation='relu', input_shape=(784,)),
   keras.layers.Dropout(0.5),
   keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
        loss='sparse_categorical_crossentropy',
        metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=10, batch_size=64,
           validation_data=(test_images, test_labels))
          
predictions = model.predict(test_images)
print(np.argmax(predictions[:10], axis=1))
print(test_labels[:10])

本文正在参与 人工智能创作者扶持方案

更多文章