学习时间：2018年8月10日星期五

视频地址：https://www.bilibili.com/video/av27877827

视频名称：

深度学习基础上篇（1）之必备基础知识点

第一课：深度学习

 

人工智能=感知+决策+理解

学习的能力是智能的本质

 

大数据时代，通过大数据来学习

 

数据规模越大越能体现深度学习算法的优势

 

无人驾驶汽车：物体、行人、标志、速度等等识别 都通过深度学习实现

 

有趣的image Transfer 图像融合将两个（图片的风格融合）

 

第二课：图像分类（计算机视觉核心任务）

 

图像计算机中的存储：表示成三维数组的形式，每个像素是从0到255，越大越亮

三维：长，宽，RGB维

 

识别难点：摄像头照射角度，光照强度，形状改变，部分遮蔽（最核心最困难），背景混入（与背景相似）

 

深度学习的步骤：1收据数据并给定标签，2训练分类器，3测试和评估

 

第三课：简单的算法，KNN

特点：分类器不用训练，训练复杂度为0；计算的复杂度和训练数目成正比（复杂度O(n)）效率太低了

 

数据库样例：CIFAR-10

10个类标签，5万训练数据，1万测试数据，图片大小32*32（很小，用来练手很好）

用KNN来实现，通过欧氏距离来判断是否相似度

 

第四课：参数设置，函数设置

超参数 KNN中的距离公式选哪个？

K选几？

其他超参数如何设定，确定？

KNN是不能用来作图片分类的，光线的轻微改变和图片的偏移将严重影响最后计算出的距离。

如何找到最好的参数;

所有数据=训练数据集+测试数据集

使用训练数据集来交叉验证（取其中的部分作为验证数据集）

 

 

 

第五课：线性分类（分成多个类）

图片大小是 32*32*3（RGB）=3072

转成列向量：3072*1 最后通过乘以权重加常数项后，表示成10*1的向量（得到得分值）（表示属于这10种分类的得分值/概率），判定成概率最高的那个类即可

 

第六课：SVM损失函数，表示分类错误的损失值，分类错误的程度

用来评估预测的效果，用来纠正预测不理想的

预测成错误类的值 减去 预测成真实类的值：这个结果是越小越理想的，如果很大就表明模型错误的很严重，需要纠正

 

最后会计算所有（大量）图片的损失值（取平均）

 

第七课：正则化（惩罚项） 加在函数后面（求最小值时加一个正项）

理想的权重分布不应该是很极端，应该比较平均（平滑）

权重的分布，表示各个点的重要性；使用正则化避免部分点的权重过高，部分点的权重过低

 

第八课：softmax分类器（损失函数）

将得分值转换成概率值,

使用sigmoid函数来实现，输入是负无穷到正无穷，输出是0到1（得到概率）

归一化处理：不直接使用得分值，先将得分值取指数，再求占比作为其概率；

概率的大小表示是这个分类的可能性。概率越大越属于这个类别，这个时候的损失值应该越小。是反比关系。

Softmax损失函数 优于 SVM损失函数

 

第九课：优化参数（让参数取得最理想的值）

求函数的最小值，梯度下降法

 

第十课：最优化

梯段下降（跟随梯度），每一次都沿着梯度下降方向走；

梯度下降时，每次都迭代多张（bachsize）图片，通常取2的n次张图片。取决于计算机的计算能力，例如64或者128；

学习率：梯度下降时，每次移动的步长，千万不能太大了。

 

第十一课：反向传播

前向传播：计算loss值

反向传播：计算w,b,用来更新权重值。使用导数来判断单调性，改变权重的值。

权重的分配，是什么：加法门单元：均等分配，max门单元：给最大的，乘法门单元：互换的感觉

深度学习基础上篇（2）神经网络模型

第十二课：神经网络

 视频连接地址：https://www.bilibili.com/video/av27894082

层：输入层，隐藏层，输出层

 

网络中的线：表示权重

 

网络中的圈：表示计算出的值（经过激活函数后计算的值）

 

为什么存在多个隐藏层？层越多，激活函数越多，非线性越复杂，模型能描述的规律更加丰富。

 

使用激活函数在表现非线性的特点（线性的模型太局限的，不够用）

 

 

 

第十三课：激活函数

 

sigmoid作为激活函数时，神经网络越深，多个梯度相乘时，梯度就会消失（为0了），所以现在的神经网络已经不用sigmoid函数作为激活函数了。

 

使用ReLU=max(0,x) 已经默认使用这个函数作为神经网络和深度学习的激活函数了。

 

神经元的越多，表示的模型更加复杂（能够划分更复杂的分类）；同时也很容易出现过拟合；

 

 

第十四课：正则化：处理过拟合

 

视频中的例子：正则化的系数越小，越容易拟合。泛化能力越强越好。

 

神经元越多越好，就能表达更加复杂的模型；

 

数据预处理：

 

将原始数据，以0中心化，再归一化

 

权重初始化：

 

对权值w进行随机初始化或者高斯初始化（不取相同的值，反向传播迭代太慢了，千万不能全取0）；对b进行常数值初始化（取0或者1就可以了）

 

DROP-OUT：

 

不适用部分神经元，通过增加迭代次数来弥补。

（完）