深度学习入门与快速实践
深度學(xué)習(xí)介紹
以深度學(xué)習(xí)為主要力量的AI浪潮徐徐展開
我們正處在一個(gè)巨變的時(shí)代，人工智能已經(jīng)成為了這個(gè)時(shí)代的主題。人工智能成為第四次工業(yè)革命的核心驅(qū)動(dòng)力，并將像機(jī)械化、電氣化、信息化一樣，最終會(huì)滲透到每一個(gè)行業(yè)的每一個(gè)角落。人工智能將重塑全球制造業(yè)競(jìng)爭(zhēng)新格局、引爆新一輪產(chǎn)業(yè)革命。以1956年的達(dá)特茅斯會(huì)議(Dartmouth Conference)為起點(diǎn)，人工智能經(jīng)過了60余年的發(fā)展，經(jīng)歷了邏輯推理理論和專家系統(tǒng)的兩次繁榮，也經(jīng)歷過隨之而來的兩次寒冬。在最近的十年間，人工智能技術(shù)再次出現(xiàn)了前所未有的爆發(fā)性增長(zhǎng)和繁榮期。機(jī)器學(xué)習(xí)技術(shù)尤其是深度學(xué)習(xí)技術(shù)的興起是本次人工智能繁榮大潮的重要推動(dòng)力。
近年來深度學(xué)習(xí)發(fā)展神速，在語音、圖像、自然語言處理等技術(shù)上取得了前所未有的突破。本輪人工智能的快速發(fā)展離不開三大關(guān)鍵要素：算力、數(shù)據(jù)和算法。
首先，大規(guī)模、高性能的云端計(jì)算硬件集群是人工智能發(fā)展的強(qiáng)勁引擎。目前深度學(xué)習(xí)算法模型結(jié)構(gòu)復(fù)雜，規(guī)模大、參數(shù)多；模型的開發(fā)門檻很高。面對(duì)這些挑戰(zhàn)，高性能的硬件，如GPU/FPGA/ASIC等，尤其是面向人工智能應(yīng)用的專用芯片的發(fā)展，讓機(jī)器學(xué)習(xí)的訓(xùn)練速度數(shù)倍提升。
第二，數(shù)據(jù)是推動(dòng)人工智能發(fā)展的燃料，機(jī)器學(xué)習(xí)技術(shù)需要大量標(biāo)注數(shù)據(jù)來作訓(xùn)練模型，在海量數(shù)據(jù)樣本的基礎(chǔ)上挖掘信息，得到有用的知識(shí)，從而做出決策。移動(dòng)互聯(lián)網(wǎng)、IoT物聯(lián)網(wǎng)的發(fā)展，不止讓手機(jī)這樣的移動(dòng)設(shè)備接入互聯(lián)網(wǎng)，每一個(gè)音箱、每一個(gè)電視、每一個(gè)冰箱都可以接入云，獲得人工智能的能力和服務(wù)。用戶通過這些設(shè)備感受到AI帶來的便利，實(shí)際上背后是云上提供的服務(wù)。云是AI的container，如果將AI比作電的話，云就是核電站，為各行各業(yè)提供源源不斷的智能核動(dòng)力。
第三，是不斷推陳出新的人工智能算法突破，從卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，簡(jiǎn)稱CNN）到遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent neural network，簡(jiǎn)稱RNN），從生成式對(duì)抗網(wǎng)絡(luò)（Generative adversarial networks，簡(jiǎn)稱GANs）到遷移學(xué)習(xí)（Transfer learning）。每一次新算法的提出或改進(jìn)，帶來了應(yīng)用效果的大幅提升。人工智能技術(shù)在語音、圖像、自然語言等眾多領(lǐng)域的使用，推動(dòng)這次人工智能大潮的持續(xù)發(fā)展。[1]
深度學(xué)習(xí)基本概念
機(jī)器善于規(guī)則、人類善于感知
機(jī)器善于計(jì)算。只要問題能夠被一系列的數(shù)學(xué)規(guī)則形式化描述，那么通過編程的方法就可以進(jìn)行運(yùn)算，例如求解線性方程組，求解行星的運(yùn)動(dòng)軌跡。如果這些讓人類手算的話會(huì)非常痛苦而且容易出錯(cuò)。為了盡量模擬人類的行為，人們開始研究機(jī)器學(xué)習(xí)。然而傳統(tǒng)人工智能依賴科學(xué)家輸入的規(guī)則模型，它只有在解決一些規(guī)則比較清楚的問題時(shí)才比較有效，比如擊敗卡斯帕羅夫的“深藍(lán)”就是這樣一種“人工智能”。但是對(duì)于直覺性問題，例如分辨圖片中的是貓還是狗，從不同的口音中聽出對(duì)方的實(shí)際想表達(dá)的意思，通過語氣來表達(dá)自己的情緒，這些對(duì)于人來說非常容易的事情，對(duì)于傳統(tǒng)人工智能來說就非常困難。因?yàn)檫@種認(rèn)知類問題只有一個(gè)模糊的概念，沒有清楚簡(jiǎn)單的規(guī)則。
[2]
人工智能的目標(biāo)就是去解決人容易執(zhí)行，但是很難形式化描述的任務(wù)。相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)方法是用來解決直覺問題的好方法。深度神經(jīng)網(wǎng)絡(luò)大大優(yōu)化了機(jī)器學(xué)習(xí)的效果，使人工智能技術(shù)獲得了突破性進(jìn)展。在此基礎(chǔ)上，圖像識(shí)別、語音識(shí)別、機(jī)器翻譯等都取得了長(zhǎng)足進(jìn)步。語音輸入比打字快得多，機(jī)器翻譯讓我們基本可以看懂一篇外文資訊，圖像識(shí)別則早已可以憑借一張少年時(shí)期的照片就在一堆成人照片中準(zhǔn)確找到這個(gè)人，甚至可以把很模糊的照片恢復(fù)成清晰且準(zhǔn)確的照片。神經(jīng)網(wǎng)絡(luò)的特點(diǎn)就是它不需要人類提前告知規(guī)則，它會(huì)自己從海量的基礎(chǔ)數(shù)據(jù)里識(shí)別模式（規(guī)則）。[3]
深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)
深度學(xué)習(xí)技術(shù)是構(gòu)建在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)之上的。可以粗略的認(rèn)為當(dāng)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)夠“深”的時(shí)候就是深度學(xué)習(xí)了。圖中的網(wǎng)絡(luò)的層次比較少，也就是這個(gè)網(wǎng)絡(luò)比較淺，可以想象當(dāng)網(wǎng)絡(luò)層次達(dá)到幾十層上百層的時(shí)候，那么這就是一個(gè)深層次網(wǎng)絡(luò)了。用深層次網(wǎng)絡(luò)解決問題就是深度學(xué)習(xí)技術(shù)。
人工神經(jīng)網(wǎng)絡(luò)是受到生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)而發(fā)明的。生物神經(jīng)網(wǎng)絡(luò)是由無數(shù)個(gè)神經(jīng)元相互連接進(jìn)而組成的一個(gè)復(fù)雜網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)模擬了這個(gè)過程，在邏輯上我們模擬出很多的神經(jīng)元，然后讓這些神經(jīng)元聯(lián)系成網(wǎng)絡(luò)。在深度學(xué)習(xí)領(lǐng)域，通常用神經(jīng)網(wǎng)絡(luò)這個(gè)詞來指代人工神經(jīng)網(wǎng)絡(luò)。這里要強(qiáng)調(diào)一下：人工神經(jīng)網(wǎng)絡(luò)和生物神經(jīng)網(wǎng)絡(luò)僅僅是啟發(fā)關(guān)系，內(nèi)部原理是不同的，因?yàn)槲覀內(nèi)祟惸壳斑€沒有把生物神經(jīng)網(wǎng)絡(luò)的內(nèi)在全部機(jī)制完全探明。
復(fù)雜的神經(jīng)系統(tǒng)是由簡(jiǎn)單的神經(jīng)元相連組成。神經(jīng)元就像圖中這樣，枝枝杈杈很多，看上去一邊比較粗大一邊比較纖細(xì)。粗大的這邊的結(jié)構(gòu)叫做軸突，纖細(xì)這邊叫做樹突。信號(hào)就是由一個(gè)細(xì)胞的軸突通過突觸將信號(hào)傳遞給另一個(gè)細(xì)胞的樹突。當(dāng)無數(shù)個(gè)這樣的神經(jīng)元聯(lián)系在一起的時(shí)候就構(gòu)成了神經(jīng)網(wǎng)絡(luò)。
神經(jīng)元
生物神經(jīng)網(wǎng)絡(luò)的最小單元是神經(jīng)元，而人工神經(jīng)網(wǎng)絡(luò)的單元是感知機(jī)。生物的神經(jīng)元是一端接受化學(xué)信號(hào)，經(jīng)過加工從另一端釋放出來。而感知機(jī)是一端接受一個(gè)向量作為輸入，經(jīng)過一定加工，另一端釋放出去一個(gè)標(biāo)量。
而一個(gè)神經(jīng)元內(nèi)部事實(shí)上經(jīng)歷了兩個(gè)運(yùn)算過程，線性運(yùn)算和非線性運(yùn)算。這兩個(gè)運(yùn)算的復(fù)合就構(gòu)成了一個(gè)神經(jīng)元的運(yùn)算過程。線性運(yùn)算就是最簡(jiǎn)單的加權(quán)求和，而非線性運(yùn)算所使用的函數(shù)也被稱作激活函數(shù)或者激勵(lì)函數(shù)。關(guān)于激活函數(shù)在后面還會(huì)繼續(xù)討論。注意，在線性運(yùn)算中的向量 w 和 偏置 b 就是該網(wǎng)絡(luò)的參數(shù)。其中，w 表示權(quán)重， b 表示偏置。
輸入層、輸出層、隱藏層、全連接網(wǎng)絡(luò)
通常一個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)就是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，那么很自然就會(huì)想到，多深算“深”呢？這個(gè)度量標(biāo)準(zhǔn)目前還沒有定論，有的學(xué)者認(rèn)為超過3層的為深層網(wǎng)絡(luò)，有的學(xué)者認(rèn)為超過5層為深層網(wǎng)絡(luò)。無論多深，網(wǎng)絡(luò)所具有的基本結(jié)構(gòu)的是一致的。輸入數(shù)據(jù)的那層別稱作輸入層，輸出預(yù)測(cè)結(jié)果的一層（也就是網(wǎng)絡(luò)的最后一層）被稱作輸出層，而夾在兩層之間的層次被稱作隱藏層。輸入層通常不算做網(wǎng)絡(luò)的一部分。如果網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元都和上層的所有神經(jīng)元相連也和下一層的所有神經(jīng)元相連，那么這樣的網(wǎng)絡(luò)就被稱作全連接網(wǎng)絡(luò)。有時(shí)，我們也把全連接網(wǎng)絡(luò)認(rèn)為是一種經(jīng)典的深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）。通常情況下，談及DNN就是指全連接網(wǎng)絡(luò)（除了DNN網(wǎng)絡(luò)還有CNN、RNN等網(wǎng)絡(luò)結(jié)構(gòu)）。下圖就是一個(gè)4層的全連接網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)運(yùn)算三部曲
神經(jīng)網(wǎng)絡(luò)運(yùn)算由三步過程組成：正向傳播、反向傳播和梯度下降。
正向傳播的主要目的：計(jì)算預(yù)測(cè)值。反向傳播的主要目的：得到參數(shù)的偏導(dǎo)數(shù)（也就是 w 和 b 的偏導(dǎo)數(shù)）。梯度下降的主要目的：更新參數(shù)，進(jìn)而將損失函數(shù)的函數(shù)值盡量降低。
正向傳播
主要過程為：采集客觀數(shù)據(jù) x。將 x 輸入網(wǎng)絡(luò)，從輸入層開始一層一層的計(jì)算到輸出層，這一路下來會(huì)得到預(yù)測(cè)值 y^\hat{y}y^? 。
反向傳播
主要過程為：在正向傳播得到預(yù)測(cè)值 y^\hat{y}y^? 后，用該值與采集回來的標(biāo)簽值 y 做比較，進(jìn)而度量預(yù)測(cè)值的準(zhǔn)確性，如果 y^\hat{y}y^? 與 y 的差距很小，那么說明預(yù)測(cè)的較為精準(zhǔn)，如果 y^\hat{y}y^? 與 y 的差距很大，說明預(yù)測(cè)的不準(zhǔn)確。這個(gè)用來度量 y^\hat{y}y^? 與 y 的差距的函數(shù)稱為損失函數(shù)。關(guān)于損失函數(shù)，后面會(huì)繼續(xù)討論。由損失函數(shù)做為起點(diǎn)，沿著網(wǎng)絡(luò)反向傳播求得每個(gè)參數(shù)（w和b）的偏導(dǎo)數(shù)的過程，稱為反向傳播過程。
梯度下降
主要過程為：在得到了所有參數(shù)的偏導(dǎo)數(shù)后，也就得到了梯度，沿著梯度反方向前進(jìn)一小步，也就是向損失函數(shù)最小值的方向更靠近了一步。這個(gè)最小化的過程也被稱作優(yōu)化。具體的優(yōu)化策略有很多種，這里不再展開詳述。
激活函數(shù)
一個(gè)神經(jīng)元中包含兩個(gè)運(yùn)算過程：線性運(yùn)算和非線性運(yùn)算。線性運(yùn)算就是固定的（寫死的）的加權(quán)求和，而非線性運(yùn)算過程是用戶可配置的。常用的線性激活函數(shù)有三種：sigmoid、tanh 和 relu。下面分別介紹一下這三種激活激活函數(shù)。
Sigmoid 函數(shù)主要作用就是把某實(shí)數(shù)映射到區(qū)間（0,1）內(nèi)，觀察圖像會(huì)發(fā)現(xiàn)Sigmoid函數(shù)可以很好的完成這個(gè)工作，當(dāng)值較大時(shí)，趨近于1，當(dāng)值較小時(shí)，趨近于0。sigmoid早期最流行的激活函數(shù)，激活函數(shù)的代名詞
Tanh 函數(shù) 也稱為雙切正切函數(shù)，范圍在-1到1之間，隨著x的增大或減小，函數(shù)趨于平緩，導(dǎo)函數(shù)趨近于0。sigmoid 函數(shù) 和 tanh 函數(shù)都可以用來做二分類問題的輸出層的激活函數(shù)。可以用做網(wǎng)絡(luò)內(nèi)部神經(jīng)元的激活函數(shù)。
Relu 函數(shù)。由于 sigmoid 函數(shù) 和 tanh 函數(shù)的都有飽和區(qū)（導(dǎo)數(shù)很小區(qū)域 0 的位置成為飽和區(qū)，觀察函數(shù)圖像可以很容易發(fā)現(xiàn)，當(dāng) x 大于 5 函數(shù)的導(dǎo)數(shù)就趨于 0 了）。所以，在反向傳播的時(shí)候很容發(fā)生偏導(dǎo)數(shù)非常小的現(xiàn)象，那么進(jìn)而會(huì)導(dǎo)致在梯度下降的時(shí)候，參數(shù)（w和b）更新速度過于緩慢的現(xiàn)象。為了克服這種現(xiàn)象，于是有了 Relu 函數(shù)。事實(shí)上，relu 函數(shù)是目前使用最多的激活函數(shù)。如果開發(fā)者不知道該配置什么樣的激活函數(shù)比較好，那么就可以嘗試配置 relu 函數(shù)。
標(biāo)準(zhǔn) Relu 函數(shù)也不是完美的，可以觀察到 Relu 在拐點(diǎn)處不可導(dǎo)，并且在 x 小于 0 的時(shí)候函數(shù)值為0，這樣在反向傳播的時(shí)候，就會(huì)把信息丟失。于是就又有了 Relu 的變種：LeakyRelu、參數(shù)化Relu、隨機(jī)化Relu等，這里不再展開，但是目前在工業(yè)上用的最多的還是標(biāo)準(zhǔn) Relu。
損失函數(shù)
需要定義一個(gè)損失函數(shù)（Loss function or Error function）用于對(duì)參數(shù) w 和 b 進(jìn)行優(yōu)化，而損失函數(shù)的選擇需要具體問題具體分析，在不同問題場(chǎng)景下采用不同的函數(shù)。常見的損失函數(shù)為均方誤差損失函數(shù)和交叉熵?fù)p失函數(shù)。
均方誤差損失函數(shù)：
回歸主要解決的是對(duì)具體數(shù)值的預(yù)測(cè)，解決回歸問題的神經(jīng)網(wǎng)絡(luò)一般只有一個(gè)輸出節(jié)點(diǎn)，這個(gè)節(jié)點(diǎn)的輸出值就是預(yù)測(cè)值。對(duì)于回歸問題，最常用的損失函數(shù)是均方誤差（MSE），定義為：
交叉熵?fù)p失函數(shù)：
交叉熵是一個(gè)信息論中的概念，它原來是用來估算平均編碼長(zhǎng)度的。給定兩個(gè)概率分布 p 和 q，通過 q 來表示 p 的交叉熵為：
注意，交叉熵刻畫的是兩個(gè)概率分布之間的距離，或可以說它刻畫的是通過概率分布q來表達(dá)概率分布p的困難程度，p代表正確答案，q代表的是預(yù)測(cè)值，交叉熵越小，兩個(gè)概率的分布約接近。[4]
通常交叉熵?fù)p失函數(shù)是和激活函數(shù) softmax 共同使用（也就是將 softmax 設(shè)置為輸出層的激活函數(shù)）。關(guān)于 softmax 函數(shù)相關(guān)內(nèi)容這里就不再展開。
PaddlePaddle 工具介紹
做深度學(xué)習(xí)是一個(gè)復(fù)雜的過程。理論上，開發(fā)者可以自己使用 Python 的 numpy 庫，自己從頭開始編寫網(wǎng)絡(luò)結(jié)構(gòu)、正向傳播過程、反向傳播過程、梯度下降的優(yōu)化過程、以及對(duì)GPU、FPGA、NPU的底層適配優(yōu)化等工作。但是，自己來做這些事情實(shí)在工作量太過龐大，會(huì)把自己寶貴的時(shí)間浪費(fèi)在底層代碼的編寫。作為開發(fā)者，首要任務(wù)是完成自己的業(yè)務(wù)邏輯，讓自己的公司的業(yè)務(wù)盡快上線盡早盡好的為客戶提供服務(wù)。所以，很多大廠和前輩編寫很多非常棒的深度學(xué)習(xí)框架，使得開發(fā)者能夠聚焦于自己的業(yè)務(wù)。目前主流的框架有 PaddlePaddle、TensorFlow、Pythorch 等，其中 PaddlePaddle 是一個(gè)易學(xué)、易用的開源深度學(xué)習(xí)框架，能夠讓開發(fā)者和企業(yè)安全、高效地實(shí)現(xiàn)自己的AI想法[5]。PaddlePaddle 是百度開發(fā)、開放、開源的。
使用深度學(xué)習(xí)實(shí)現(xiàn)房?jī)r(jià)預(yù)測(cè)----數(shù)據(jù)準(zhǔn)備
數(shù)據(jù)集介紹
我們使用從UCI Housing Data Set(http://paddlemodels.bj.bcebos.com/uci_housing/housing.data)獲得的波士頓房?jī)r(jià)數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和預(yù)測(cè)。下面的散點(diǎn)圖展示了使用模型對(duì)部分房屋價(jià)格進(jìn)行的預(yù)測(cè)。其中，每個(gè)點(diǎn)的橫坐標(biāo)表示同一類房屋真實(shí)價(jià)格的中位數(shù)，縱坐標(biāo)表示線性回歸模型根據(jù)特征預(yù)測(cè)的結(jié)果，當(dāng)二者值完全相等的時(shí)候就會(huì)落在虛線上。所以模型預(yù)測(cè)得越準(zhǔn)確，則點(diǎn)離虛線越近。
這份數(shù)據(jù)集共506行，每行包含了波士頓郊區(qū)的一類房屋的相關(guān)信息及該類房屋價(jià)格的中位數(shù)。其各維屬性的意義如下：
| CRIM | 該鎮(zhèn)的人均犯罪率 | 連續(xù)值 |
| ZN | 占地面積超過25,000平方呎的住宅用地比例 | 連續(xù)值 |
| INDUS | 非零售商業(yè)用地比例 | 連續(xù)值 |
| CHAS | 是否鄰近 Charles River | 離散值，1=鄰近；0=不鄰近 |
| NOX | 一氧化氮濃度 | 連續(xù)值 |
| RM | 每棟房屋的平均客房數(shù) | 連續(xù)值 |
| AGE | 1940年之前建成的自用單位比例 | 連續(xù)值 |
| DIS | 到波士頓5個(gè)就業(yè)中心的加權(quán)距離 | 連續(xù)值 |
| RAD | 到徑向公路的可達(dá)性指數(shù) | 連續(xù)值 |
| TAX | 全值財(cái)產(chǎn)稅率 | 連續(xù)值 |
| PTRATIO | 學(xué)生與教師的比例 | 連續(xù)值 |
| B | 1000(BK - 0.63)^2，其中BK為黑人占比 | 連續(xù)值 |
| LSTAT | 低收入人群占比 | 連續(xù)值 |
| MEDV | 同類房屋價(jià)格的中位數(shù) | 連續(xù)值 |
數(shù)據(jù)預(yù)處理
連續(xù)值與離散值
觀察一下數(shù)據(jù)，我們的第一個(gè)發(fā)現(xiàn)是：所有的13維屬性中，有12維的連續(xù)值和1維的離散值（CHAS）。離散值雖然也常使用類似0、1、2這樣的數(shù)字表示，但是其含義與連續(xù)值是不同的，因?yàn)檫@里的差值沒有實(shí)際意義。例如，我們用0、1、2來分別表示紅色、綠色和藍(lán)色的話，我們并不能因此說“藍(lán)色和紅色”比“綠色和紅色”的距離更遠(yuǎn)。所以通常對(duì)一個(gè)有dd個(gè)可能取值的離散屬性，我們會(huì)將它們轉(zhuǎn)為dd個(gè)取值為0或1的二值屬性或者將每個(gè)可能取值映射為一個(gè)多維向量。不過就這里而言，因?yàn)镃HAS本身就是一個(gè)二值屬性，就省去了這個(gè)麻煩。
屬性的歸一化
另外一個(gè)稍加觀察即可發(fā)現(xiàn)的事實(shí)是，各維屬性的取值范圍差別很大（例如下圖）。
例如，屬性B的取值范圍是[0.32, 396.90]，而屬性NOX的取值范圍是[0.3850, 0.8170]。這里就要用到一個(gè)常見的操作-歸一化（normalization）了。歸一化的目標(biāo)是把各位屬性的取值范圍放縮到差不多的區(qū)間，例如[-0.5,0.5]。這里我們使用一種很常見的操作方法：減掉均值，然后除以原取值范圍。
做歸一化至少有以下3個(gè)理由：
劃分訓(xùn)練集與測(cè)試集
通常情況下，開發(fā)者在對(duì)數(shù)據(jù)集進(jìn)行過必要的預(yù)處理之后，就需要講數(shù)據(jù)集分為兩部分：訓(xùn)練集和測(cè)試集。
- 訓(xùn)練集：用于調(diào)整模型的參數(shù)，即進(jìn)行模型的訓(xùn)練。
- 測(cè)試集：用來測(cè)試，查看模型效果，用來模擬如果模型上線后的效果。
那么有多少數(shù)據(jù)應(yīng)該放入訓(xùn)練集呢，又有多少數(shù)據(jù)應(yīng)該放入測(cè)試集呢？分割數(shù)據(jù)的比例要考慮到兩個(gè)因素：更多的訓(xùn)練數(shù)據(jù)會(huì)降低參數(shù)估計(jì)的方差，從而得到更可信的模型；而更多的測(cè)試數(shù)據(jù)會(huì)降低測(cè)試誤差的方差，從而得到更可信的測(cè)試誤差。在數(shù)據(jù)集的量不大的情況下，這個(gè)比例通常是7:3或者8:2。在這個(gè)例子中我們?cè)O(shè)置的分割比例為8:2。
在更復(fù)雜的模型訓(xùn)練過程中，我們往往還會(huì)多使用一種數(shù)據(jù)集：驗(yàn)證集。因?yàn)閺?fù)雜的模型中常常還有一些超參數(shù)（Hyperparameter）需要調(diào)節(jié)，所以我們會(huì)嘗試多種超參數(shù)的組合來分別訓(xùn)練多個(gè)模型，然后對(duì)比它們?cè)隍?yàn)證集上的表現(xiàn)選擇相對(duì)最好的一組超參數(shù)，最后才使用這組參數(shù)下訓(xùn)練的模型在測(cè)試集上評(píng)估測(cè)試誤差。由于本章訓(xùn)練的模型比較簡(jiǎn)單，我們暫且忽略掉這個(gè)過程。
訓(xùn)練誤差與測(cè)試誤差
此外，訓(xùn)練誤差和測(cè)試誤差也是開發(fā)者必須了解的概念：
- 模型在訓(xùn)練集上的誤差被稱為訓(xùn)練誤差
- 模型在測(cè)試集上的誤差被稱為測(cè)試誤差
我們訓(xùn)練模型的目的是為了通過從訓(xùn)練數(shù)據(jù)中找到規(guī)律來預(yù)測(cè)未知的新數(shù)據(jù)，所以測(cè)試誤差是更能反映模型表現(xiàn)的指標(biāo)。
使用深度學(xué)習(xí)實(shí)現(xiàn)房?jī)r(jià)預(yù)測(cè)----上代碼
代碼概覽
深度學(xué)習(xí)過程事實(shí)上可以劃分為兩個(gè)過程：訓(xùn)練和預(yù)測(cè)（預(yù)測(cè)也稱作推理）。通常這兩個(gè)過程不是在同一臺(tái)機(jī)器上完成更不會(huì)在同一個(gè)進(jìn)程中完成，但是，為了講解方便代碼簡(jiǎn)便，我們下面的代碼是在同一個(gè)進(jìn)程中順序執(zhí)行。
在本例中，我們將代碼分為了3個(gè)部分：通用內(nèi)容準(zhǔn)備、訓(xùn)練過程代碼、預(yù)測(cè)過程代碼
通用內(nèi)容準(zhǔn)備
我們通過 uci_housing 模塊引入了數(shù)據(jù)集合 UCI Housing Data Set
其中，在uci_housing模塊中封裝了：
數(shù)據(jù)下載的過程。下載數(shù)據(jù)保存在~/.cache/paddle/dataset/uci_housing/housing.data。
數(shù)據(jù)預(yù)處理的過程。
接下來我們定義了用于訓(xùn)練的數(shù)據(jù)提供器。提供器每次讀入一個(gè)大小為BATCH_SIZE的數(shù)據(jù)批次。如果用戶希望加一些隨機(jī)性，它可以同時(shí)定義一個(gè)批次大小和一個(gè)緩存大小。這樣的話，每次數(shù)據(jù)提供器會(huì)從緩存中隨機(jī)讀取批次大小那么多的數(shù)據(jù)。
訓(xùn)練程序的目的是定義一個(gè)訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)于線性回歸來講，它就是一個(gè)從輸入到輸出的簡(jiǎn)單的全連接層。更加復(fù)雜的結(jié)構(gòu)，比如卷積神經(jīng)網(wǎng)絡(luò)，遞歸神經(jīng)網(wǎng)絡(luò)這里不再展開。
main_program = fluid.default_main_program() startup_program = fluid.default_startup_program()這兩句的作用是獲得 default_main_program 和 default_startup_program 的 Python 級(jí)別的引用。default_startup_program 的主要作用是初始化參數(shù)，而 default_main_program 的主要作用是管理所有的變量和算子。作為初學(xué)者理解到這一層已經(jīng)足夠，PaddlePaddle 內(nèi)部的機(jī)制非常復(fù)雜，該框架對(duì)開發(fā)者僅僅暴露了很少的部分，復(fù)雜的機(jī)制都包裹在后臺(tái)。由于 PaddlePaddle 是開源的，有興趣深入了解其框架底層實(shí)現(xiàn)的開發(fā)者可以訪問其 github （https://github.com/PaddlePaddle/Paddle）。
cost = fluid.layers.square_error_cost(input=y_predict, label=y) avg_loss = fluid.layers.mean(cost)訓(xùn)練程序必須返回平均損失作為第一個(gè)返回值，因?yàn)樗鼤?huì)被后面反向傳播算法所用到。
這里使用了隨機(jī)梯度下降（SGD）作為優(yōu)化器 ，learning_rate 是訓(xùn)練的速度，與網(wǎng)絡(luò)的訓(xùn)練收斂速度有關(guān)系。test_program=main_program.clone(for_test=True) 的作用是為后面邊訓(xùn)練邊測(cè)試做準(zhǔn)備（把環(huán)境拷貝了一份出來）
我們可以定義運(yùn)算是發(fā)生在CPU還是GPU
# Plot data from paddle.utils.plot import Plotertrain_prompt = "Train cost" test_prompt = "Test cost" plot_prompt = Ploter(train_prompt, test_prompt)展現(xiàn)運(yùn)算過程有兩種方式：1.打印 log 的方式 2.繪制圖像的方式。相比較來說，繪制圖像的方式更加直觀。上面的代碼就是為繪制圖像做準(zhǔn)備。
訓(xùn)練過程代碼
訓(xùn)練需要有一個(gè)訓(xùn)練程序和一些必要參數(shù)，并構(gòu)建了一個(gè)獲取訓(xùn)練過程中測(cè)試誤差的函數(shù)
PaddlePaddle 提供了讀取數(shù)據(jù)者發(fā)生器機(jī)制來讀取訓(xùn)練數(shù)據(jù)。讀取數(shù)據(jù)者會(huì)一次提供多列數(shù)據(jù)，因此我們需要一個(gè) Python 的 list 來定義讀取順序。我們構(gòu)建一個(gè)循環(huán)來進(jìn)行訓(xùn)練，直到訓(xùn)練結(jié)果足夠好或者循環(huán)次數(shù)足夠多。 如果訓(xùn)練順利，可以把訓(xùn)練參數(shù)保存到 params_dirname。
預(yù)測(cè)過程代碼
需要構(gòu)建一個(gè)使用訓(xùn)練好的參數(shù)來進(jìn)行預(yù)測(cè)的程序，訓(xùn)練好的參數(shù)位置在params_dirname
類似于訓(xùn)練過程，預(yù)測(cè)器需要一個(gè)預(yù)測(cè)程序來做預(yù)測(cè)。我們可以稍加修改我們的訓(xùn)練程序來把預(yù)測(cè)值包含進(jìn)來。
通過fluid.io.load_inference_model，預(yù)測(cè)器會(huì)從params_dirname中讀取已經(jīng)訓(xùn)練好的模型，來對(duì)從未遇見過的數(shù)據(jù)進(jìn)行預(yù)測(cè)。
完整代碼請(qǐng)參考：
https://github.com/PaddlePaddle/book/blob/develop/01.fit_a_line/train.py
更多 PaddlePaddle 示例請(qǐng)參考：
https://github.com/PaddlePaddle/book/
參考資料
[1]《PaddlePaddle深度學(xué)習(xí)實(shí)戰(zhàn)》 劉祥龍等著 2018
[2]《白話深度學(xué)習(xí)與TensorFlow》 高揚(yáng)等著，萬娟 繪 2017
[3]《深度學(xué)習(xí)實(shí)戰(zhàn)》楊云等著 2017
[4] https://en.wikipedia.org/wiki/Cross_entropy
[5] http://www.paddlepaddle.org/zh
圖片部分來源于網(wǎng)絡(luò)，侵刪
總結(jié)
以上是生活随笔為你收集整理的深度学习入门与快速实践的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： “被提拔3个月，我离职了”：给想做管理的
- 下一篇： 人脸识别被滥用，三人成虎不足挂齿?