深度學(xué)習(xí)原理概述，帶你一分鐘秒懂深度學(xué)習(xí)

• 1. 深度學(xué)習(xí)與人工智能，機(jī)器學(xué)習(xí)之間的關(guān)系
• 2. 機(jī)器學(xué)習(xí)工作原理
• 3. 深度學(xué)習(xí)工作原理
• • 3.1 何為“深度”？
  • 3.2 神經(jīng)網(wǎng)絡(luò)如何對數(shù)據(jù)進(jìn)行操作？或進(jìn)行怎樣的操作？
  • 3.3 告訴神經(jīng)網(wǎng)絡(luò)它的輸出符不符合我們的胃口！
  • 3.4 進(jìn)行"學(xué)習(xí)"
• 4. 深度學(xué)習(xí)發(fā)展現(xiàn)狀

1. 深度學(xué)習(xí)與人工智能，機(jī)器學(xué)習(xí)之間的關(guān)系

????????人工智能包含機(jī)器學(xué)習(xí)，而深度學(xué)習(xí)又是機(jī)器學(xué)習(xí)的一個分支。接下來，我將循序漸進(jìn)，帶大家學(xué)習(xí)和掌握深度學(xué)習(xí)的工作原理。

2. 機(jī)器學(xué)習(xí)工作原理

????????如下圖所示，在經(jīng)典的程序設(shè)計中，我們輸入的是規(guī)則（即程序）和需要處理的數(shù)據(jù)，系統(tǒng)輸出的是答案（需要的結(jié)果）。而在機(jī)器學(xué)習(xí)中，我們輸入的是數(shù)據(jù)和我們希望得到的答案（也就是所說的標(biāo)簽），系統(tǒng)輸出的是規(guī)則。之后我們便可以利用這些規(guī)則應(yīng)用于新的數(shù)據(jù)，然后得到我們想要的答案！

????????而為了得到我們所期望的“規(guī)則”，我們需要對機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行訓(xùn)練。換句話說就是機(jī)器學(xué)習(xí)系統(tǒng)需要從數(shù)據(jù)中進(jìn)行學(xué)習(xí)。那系統(tǒng)是怎樣進(jìn)行“學(xué)習(xí)”的呢？帶著這樣的疑問，我們來進(jìn)一步探究深度學(xué)習(xí)的原理。

3. 深度學(xué)習(xí)工作原理

????????深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個分支領(lǐng)域：它是從數(shù)據(jù)中學(xué)習(xí)表示的一種新方法，強(qiáng)調(diào)從連續(xù)的 “層”(layer) 中進(jìn)行學(xué)習(xí)。那么這里的“深度”具體該怎么理解呢？

3.1 何為“深度”？

????????“深度”指的并不是利用這種方法獲取更加深層次的理解，而是指一系列連續(xù)的層。數(shù)據(jù)模型中包含多少層，被稱為模型的深度。機(jī)器學(xué)習(xí)往往僅學(xué)習(xí)一兩層數(shù)據(jù)表示。

????????深度學(xué)習(xí)算法學(xué)到的表示是什么樣的呢?我們來看一個多層網(wǎng)絡(luò)如何對數(shù)字圖像進(jìn)行變換，以便識別圖像中所包含的數(shù)字。

3.2 神經(jīng)網(wǎng)絡(luò)如何對數(shù)據(jù)進(jìn)行操作？或進(jìn)行怎樣的操作？

????????神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)的具體操作保存在該層的 “權(quán)重”（weight） 中，每層實(shí)現(xiàn)的變換由其權(quán)重來參數(shù)化。我們前面所說的學(xué)習(xí)的意思就是為神經(jīng)網(wǎng)絡(luò)的所有層找到一組權(quán)重值，使得該網(wǎng)絡(luò)能夠?qū)⑤斎肱c我們的目標(biāo)輸出一一對應(yīng)。

????????那么這就有了一個新的問題，我們怎樣告訴神經(jīng)網(wǎng)絡(luò)它的輸出是不是我們的目標(biāo)輸出？我們又該怎樣更新神經(jīng)網(wǎng)絡(luò)的參數(shù)呢？

3.3 告訴神經(jīng)網(wǎng)絡(luò)它的輸出符不符合我們的胃口！

????????要想讓神經(jīng)網(wǎng)絡(luò)知道它的輸出是不是我們所期待的，我們就需要一個衡量標(biāo)準(zhǔn)來衡量該輸出與預(yù)期值之間的距離，我們也叫這個距離為損失。這是神經(jīng)網(wǎng)絡(luò)中損失函數(shù)（loss function）的任務(wù)。損失函數(shù)也叫目標(biāo)函數(shù)。

3.4 進(jìn)行"學(xué)習(xí)"

????????利用我們得到的距離值（損失）作為反饋信號來進(jìn)行參數(shù)微調(diào)，以降低當(dāng)前的損失值。這個調(diào)節(jié)由優(yōu)化器(optimizer)來完成，它實(shí)現(xiàn)了所謂的反向傳播(backpropagation)算法,這也是深度學(xué)習(xí)的核心算法。

????????一開始對神經(jīng)網(wǎng)絡(luò)的權(quán)重是隨機(jī)賦值的，然后經(jīng)過不斷的訓(xùn)練循環(huán)(training loop)，不斷微調(diào)權(quán)重，使得損失值越來越小，我們的精度也越來越高。這就得到了我們想要的深度學(xué)習(xí)模型～～～

這是一個簡單的機(jī)制，一旦具有足夠大的規(guī)模，將會產(chǎn)生魔法般的效果。

4. 深度學(xué)習(xí)發(fā)展現(xiàn)狀

????????目前深度學(xué)習(xí)在很多領(lǐng)域都取得了巨大的突破，并且很多領(lǐng)域都是機(jī)器學(xué)習(xí)歷史上非常困難的領(lǐng)域。

• 接近人類水平的圖像分類
• 接近人類水平的語音識別
• 接近人類水平的手寫文字轉(zhuǎn)錄
• 更好的機(jī)器翻譯
• 更好的文本到語音轉(zhuǎn)換
• 接近人類水平的自動駕駛
• …

????????希望通過本文大家可以對深度學(xué)習(xí)有一個概念，其實(shí)深度學(xué)習(xí)并不像我們所想象的那么那么那么遙遠(yuǎn)～～～。同時我也希望和大家一起在深度學(xué)習(xí)的海洋里徜徉，分享更多有趣的模型。同時也希望大家可以多多關(guān)注我，讓我們一起進(jìn)步，加油加油！！！

給大家安利一本賊好的書《Deep learning with python》~~~

總結(jié)

以上是生活随笔為你收集整理的一分钟学会神经网络3——图解深度学习原理(有这篇博客就够了)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。